TESIS - SS14 2501 SS14 2501
ESTIMASI SCORE FACTOR DENGAN PARTIAL LEAST SQUARE (PLS) PADA MEASUREMENT MODEL (Studi Kasus : Remunerasi Tenaga Kependidikan di Lingkungan ITS)
MILLATUR RODLIYAH NRP. 1314 201 039
DOSEN PEMBIMBING Dr. Bambang Widjanarko Otok, M.Si Dr. Wahyu Wibowo, M.Si
PROGRAM MAGISTER JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2016
THESIS - SS14 2501 SS14 2501
ESTIMATED SCORE FACTOR WITH PARTIAL LEAST SQUARE (PLS) ON MEASUREMENT MODEL (Case of Study: Remuneration Educational Staff in ITS)
MILLATUR RODLIYAH NRP. 1314 201 039
SUPERVISOR Dr. Bambang Widjanarko Otok, M.Si Dr. Wahyu Wibowo, M.Si
MAGISTER PROGRAM DEPARTEMENT OF STATISTICS FACULTY OF MATHEMATICS AND NATURAL SCIENCES INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2016
ESTIMASI SCORE FACTOR DENGAN PARTIAL LEAST SQUARE (PLS) PADA MEASUREMENT MODEL (Studi Kasus Remunerasi Tenaga Kependidikan di Lingkungan ITS) Nama Mahasiswa NRP Pembimbing Co-Pembimbing
: Millatur Rodliyah : 1314 201 039 : Dr. Bambang Widjanarko Otok, M.Si : Dr. Wahyu Wibowo, M.Si
ABSTRAK Birokrasi di Indonesia merupakan sistem administrasi negara yang bertujuan untuk melayani kepentingan rakyat. Kondisi birokrasi di Indonesia sampai saat ini masih memiliki banyak kekurangan. Salah satu bentuk reformasi birokrasi yang dilakukan pemerintah Indonesia adalah dengan pemberian remunerasi bagi Pegawai Negeri Sipil (PNS). Remunerasi merupakan bagian kesejahteraan yang diterima oleh pegawai yang dapat dijadikan sebagai unsur motivasi bagi pegawai untuk berprestasi dan kinerja menjadi lebih baik. Variabel-variabel yang saling berhubungan dan digunakan pada penelitian ini adalah variabel kinerja, remunerasi, motivasi berprestasi, karakteristik lingkungan kerja, dan transfer pelatihan. Dengan kerangka pemikiran variabel laten motivasi berprestasi, karakteristik lingkungan kerja, dan transfer pelatihan, berpengaruh terhadap kinerja, dan variabel laten kinerja mempengaruhi variabel laten remunerasi. Variabel-variabel tersebut merupakan construct atau variabel laten yang tidak dapat diukur secara langsung, sehingga metode SEM dirasa mampu menyelesaikan permasalahan tersebut. Namun SEM memiliki beberapa asumsi yang harus dipenuhi dan seringkali jika menggunakan data real di lapangan asumsi-asumsi itu terlanggar, sehingga diperlukan suatu metode yang bebas asumsi, bebas distribusi (free distribution) dan fleksibel yaitu metode SEM alternatif yang berbasis varians atau sering disebut dengan PLS. PLS merupakan suatu metode estimasi yang berfokus untuk memaksimumkan varians diantara variabel laten dan menjadi alternatif untuk OLS regresi. Penelitian ini dilakukan untuk mengestimasi score factor pada measurement model dan pemodelan dalam kasus remunerasi tenaga kependidikan di lingkungan ITS menggunakan pendekatan Partial Least Square (PLS) menggunakan skema jalur (path scheme), skema sentroid (centroid scheme), dan skema faktor (factor scheme). Hasil penelitian diperoleh bahwa pemodelan remunerasi tenaga kependidikan di lingkungan ITS dengan skema faktor PLS adalah yang terbaik dengan nilai Q-square sebesar 0,7262, R-square kinerja sebesar 67,69 persen dan R-square remunerasi sebesar 15,28 persen.
Kata kunci : Estimasi score factor, partial least square (PLS), kinerja, dan remunerasi
iii
ESTIMATED SCORE FACTOR WITH PARTIAL LEAST SQUARE (PLS) ON MEASUREMENT MODEL (Case of Study Remuneration Educational Staff in ITS) Student Name NRP Supervisor Co- Supervisor
: Millatur Rodliyah : 1314201039 : Dr. Bambang Widjanarko Otok, M.Si : Dr. Wahyu Wibowo, M.Si
ABSTRACT Bureaucracy in Indonesia is a state administrative system that aims to serve the interests of the people. Conditions of bureaucracy in Indonesia still has many shortcomings until now. One form of bureaucratic reforms made by the government of Indonesia is the remuneration for civil servants (PNS). Remuneration is part of welfare received by employees which can be used as an element of motivation for employees to excel and better performance. The variables are interrelated and used in this study are performance, remuneration, achievement motivation, characteristics of the work environment, and training transfer. With latent variable framework achievement motivation, characteristics of the work environment, and transfer training, affect the performance, and the latent variables affect performance latent variable remuneration. These variables are constructs or latent variables that can not be measured directly, so the SEM method deemed able to resolve these problems. However SEM has some assumptions that must be met and often when using real data in the field assumptions were violated, so we need a method that is free of assumptions, free distribution and flexible that is SEM methods of alternative-based variance is often called the PLS , PLS is an estimation method that focuses on maximizing the variance between latent variables and an alternative to OLS regression. This study was conducted to estimate the factor scores in the measurement model of remuneration and modelling in the case of educational staff in the ITS with Partial Least Square (PLS) approach using path, centroid, and factor scheme. The result is remuneration of educational staff in the ITS modelling with factor schemes is the best method, outcome the Q-square value is 0,7262, R-square value of performance is 67,69 percent and R-square value of remuneration is 15,28 percent.
Keywords: Estimation score factor, partial least square (PLS), performance, and remuneration
v
KATA PENGANTAR Puji syukur penulis panjatkan kepada Allah SWT atas rahmat dan karuniaNya kepada penulis, serta sholawat kepada Nabi Muhammad SAW sehingga penulis dapat menyelesaikan Tesis dengan judul “Estimasi Score Factor dengan Partial Least Square (PLS) pada Measurement Model (Studi Kasus Remunerasi Tenaga Kependidikan di Lingkungan ITS)”. Keberhasilan dalam penyelesaian Tesis ini tidak lepas dari bantuan, arahan, bimbingan, serta dukungan dari berbagai pihak. Untuk itu, penulis tidak lupa menyampaikan ucapan terima kasih sebesar-besarnya kepada: 1. Bapak Dr. Suhartono, M.Sc selaku Ketua Jurusan dan Ketua Program Studi Pasca Sarjana Statistika-FMIPA ITS Surabaya. 2. Bapak Dr. Bambang Widjanarko Otok, M.Si dan Bapak Dr. Wahyu Wibowo, M.Si selaku selaku dosen pembimbing dan Co-pembimbing Tesis yang telah sabar memberikan pengarahan, saran, dan semangat kepada penulis untuk menyelesaikan Tesis ini. 3. Bapak Dr. Sutikno, M.Si dan Bapak Dr. Brodjol Sutijo SU, M.Si selaku dosen penguji. Bapak Dr. Purhadi, M.Sc selaku dosen wali dari penulis. 4. Pemerintah, pimpinan Dikti, dan Direktur Pascasarjana ITS, Bapak Prof. Ir. Djauhar Manfaat, M.Sc, Ph.D melalui beasiswa fresh graduate yang telah mendukung penulis untuk menyelesaikan studi Magister di Statistika ITS. 5. Bapak Yusuf Effendi dan Ibu Nikmatuz Zahrah, orang tua tercinta atas segala motivasi, doa, pengorbanan, dan kasih sayang yang selalu diberikan kepada penulis. Serta Papa Romli dan Mama Sukaiyah yang selalu mendukung, mendoakan, dan mengerti keadaan penulis. 6. Mbak Yuni, Adik Caca, Yani dan Imel yang tiada henti memberikan kasih sayang, dukungan, serta do’a. 7. Suami tercinta, Rovi Andriyanto Romli yang selalu setia menemani, memberikan motivasi, dan mendoakan penulis.
vii
8. Spesial untuk teman seperjuangan selama 6,5 tahun menjalani studi di Statistika ITS, Masnatul Laili untuk kebersamaan, tempat berbagi, dan berjuang bersama selama ini. Semoga kita berdua semakin sukses di masa depan dan selalu dilimpahkan kebahagiaan. 9. Teman-teman kos ARH 35, Diyah, Mbak Iip, Mbak Ninik atas dukungan dan kebersamaan selama ini. 10. Teman-teman Magister Statistika 2014, terima kasih untuk kebersamaannya menjalani perkuliahan dan berbagi ilmu selama ini. 11. Sahabat-sahabat terbaikku (Fiyah, Dyah, Nenok, Reryd, Imas) terima kasih atas dukungan dan motivasinya. 12. Serta semua pihak yang turut berjasa dan tidak dapat disebutkan satu per satu. Penulis menyadari sepenuhnya bahwa penyusunan Tesis ini masih jauh dari kesempurnaan, kritik maupun saran yang sifatnya membangun sangat diharapkan sebagai masukan dalam penelitian selanjutnya. Semoga penelitian ini bermanfaat bagi pembaca.
Surabaya, 22 Januari 2016 Penulis
viii
DAFTAR ISI Halaman HALAMAN JUDUL LEMBAR PENGESAHAN PROPOSAL TESIS ..................................................i ABSTRAK ................................................................................................................iii ABSTRACT ...............................................................................................................v KATA PENGANTAR ..............................................................................................vii DAFTAR ISI .............................................................................................................ix DAFTAR TABEL ....................................................................................................xi DAFTAR GAMBAR ................................................................................................xiii DAFTAR LAMPIRAN ............................................................................................xv BAB 1 PENDAHULUAN ........................................................................................1 1.1 Latar Belakang ...............................................................................................1 1.2 Rumusan Permasalahan .................................................................................5 1.3 Tujuan Penelitian ...........................................................................................6 1.4 Manfaat Penelitian .........................................................................................6 1.5 Batasan Penelitian ..........................................................................................6 BAB 2 TINJAUAN PUSTAKA ...............................................................................7 2.1 Analisis Faktor ...............................................................................................7 2.2 Structural Equation Modeling (SEM)............................................................8 2.3 Partial Least Square (PLS) ............................................................................15 2.4 Analisis Pemodelan dengan Pendekatan PLS ................................................17 2.5 Variabel-variabel Konstruk dalam Penelitian ................................................29 2.6 Kerangka Konseptual .....................................................................................33
ix
BAB 3 METODE PENELITIAN ........................................................................... 37 3.1 Sumber Data .................................................................................................. 37 3.2 Populasi dan Sampel...................................................................................... 37 3.3 Variabel Penelitian ........................................................................................ 39 3.4 Tahapan Analisis ........................................................................................... 42 BAB 4 HASIL DAN PEMBAHASAN ................................................................... 49 4.1 Estimasi Score Factor pada Measurement Model dengan PLS .................... 49 4.2 Karakteristik Responden................................................................................ 61 4.3 Analisis Pemodelan Remunerasi Tenaga Kependidikan di Lingkungan ITS dengan PLS ............................................................................................. 62 BAB 5 KESIMPULAN DAN SARAN ................................................................... 81 5.1 Kesimpulan .................................................................................................... 81 5.2 Saran .............................................................................................................. 82 DAFTAR PUSTAKA .............................................................................................. 83 LAMPIRAN
x
DAFTAR GAMBAR Halaman Gambar 2.1 Pembagian Analisis Faktor ...................................................................7 Gambar 2.2 Hubungan Variabel Manifes dengan Laten dan antar Variabel Laten ..10 Gambar 2.3 Model Pengukuran ................................................................................11 Gambar 2.4 Mode A dengan Variabel Eksogen .......................................................23 Gambar 2.5 Mode A dengan Variabel Endogen .......................................................24 Gambar 2.6 Mode B dengan Variabel Eksogen .......................................................24 Gambar 2.7 Diagram Alur Algoritma PLS ...............................................................26 Gambar 2.8 Model Konseptual Penelitian ................................................................33 Gambar 3.1 Model Struktural Lengkap ....................................................................43 Gambar 3.2 Flowchart Metode Analisis ..................................................................47 Gambar 4.1 Ilustrasi Model ......................................................................................53 Gambar 4.2 Persentase Responden Berdasarkan Jenis Kelamin ..............................61 Gambar 4.3 Diagram Jalur Persamaan Struktural dengan Skema Path ...................65 Gambar 4.4 Diagram Jalur Persamaan Struktural dengan Skema Centroid .............66 Gambar 4.5 Diagram Jalur Persamaan Struktural dengan Skema Factor ................67
xiii
xiv
DAFTAR TABEL Halaman Tabel 3.1 Unit Kerja di ITS yang Tidak Terlibat dalam Perhitungan Sampel .......38 Tabel 3.2 Unit Kerja di ITS Terlibat Perhitungan Sampel dan Alokasi Proporsi ...39 Tabel 3.3 Variabel Laten dan Indikator-indikator Penelitian .................................39 Tabel 4.1 Statistika Deskriptif Usia, Lama Kerja, dan Lama Kerja di Unit Sekarang ..................................................................................................61 Tabel 4.2 Koefisien Nilai Loading untuk Variabel Eksogen dan Endogen ...........62 Tabel 4.3 Koefisien Parameter β dan γ ...................................................................63 Tabel 4.4 Nilai Composite Reliability (CR) Masing-masing Variabel Laten .........68 Tabel 4.5 Nilai R2 dan Q2 Tiap Skema PLS ............................................................69 Tabel 4.6 Hasil Pengujian Variabel Indikator .........................................................70 Tabel 4.7 Nilai Koefisien Jalur Hasil Estimasi Resampling Bootstrap dengan Skema Path .............................................................................................73 Tabel 4.8 Nilai t-statistics Hasil Estimasi Resampling Bootstrap dengan Skema Path .............................................................................................73 Tabel 4.9 Pengujian t-statistics Resampling Bootstrap dengan Skema Path ..........73 Tabel 4.10 Nilai Koefisien Jalur Hasil Estimasi Resampling Bootstrap dengan Skema Centroid .......................................................................................75 Tabel 4.11 Nilai t-statistics Hasil Estimasi Resampling Bootstrap dengan Skema Centroid .......................................................................................75 Tabel 4.12 Pengujian t-statistics Resampling Bootstrap dengan Skema Centroid ...75 Tabel 4.13 Nilai Koefisien Jalur Hasil Estimasi Resampling Bootstrap dengan Skema Factor ..........................................................................................77 Tabel 4.14 Nilai t-statistics Hasil Estimasi Resampling Bootstrap dengan Skema Factor ..........................................................................................77 Tabel 4.15 Pengujian t-statistics Resampling Bootstrap dengan Skema Factor ......78
xi
xii
DAFTAR LAMPIRAN Halaman Lampiran 1. Desain Kuesioner Penelitian Kajian Kebijakan ............................... 89 Lampiran 2. Diagram Jalur Persamaan Struktural Seluruh Indikator .................. 93 Lampiran 3. Output SmartPLS dengan Skema Jalur (Path) ................................. 95 Lampiran 4. Output SmartPLS dengan Skema Sentroid (Centroid) .................... 101 Lampiran 5. Output SmartPLS dengan Skema Faktor (Factor) ........................... 107
xv
xvi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Birokrasi di Indonesia merupakan sistem administrasi negara yang bertujuan untuk melayani kepentingan rakyat. Eksistensi birokrasi ini sebagai konsekuensi logis dari tugas utama pemerintahan untuk menyelenggarakan kesejahteraan masyarakat (Asrul, 2015). Kondisi birokrasi di Indonesia sampai saat ini masih memiliki banyak kekurangan, diantaranya birokrasi pemerintahan yang belum efisien, kebijakan belum stabil, serta masih ada praktek penyimpangan dan penyalahgunaan wewenang.
Pemerintah
saat
ini
terus
berupaya
untuk
mewujudkan tata kelola pemerintahan yang baik (good governance) dengan melakukan reformasi birokrasi serta meningkatkan transparansi dan akuntabilitas pengelolaan keuangan negara. Reformasi birokrasi
adalah suatu usaha perubahan pokok dalam suatu
sistem yang bertujuan mengubah struktur, tingkah laku, dan keberadaan atau kebiasaan yang sudah lama. Ruang lingkup reformasi birokrasi tidak hanya tebatas pada proses dan prosedur, namun juga terkait dengan perubahan pada tingkat struktur dan sikap serta tingkah laku (Setiardja, 1990). Salah satu bentuk reformasi birokrasi yang dilakukan pemerintah Indonesia adalah dengan pemberian remunerasi bagi Pegawai Negeri Sipil (PNS). Remunerasi merupakan bagian kesejahteraan yang diterima oleh pegawai yang dapat dijadikan sebagai unsur motivasi bagi pegawai untuk berprestasi (Hasibuan, 2012). Oleh karena itu setiap organisasi berusaha untuk merancang sistem pemberian remunerasi yang tepat agar motivasi dan kinerja pegawai dapat meningkat. Salah satu sistem pemberian remunerasi tersebut adalah dengan program remunerasi berbasis kinerja. Renumerasi berbasis kinerja adalah sistem pembayaran yang mengkaitkan imbalan (reward) dengan prestasi kerja (performance), konsep tersebut dapat diartikan bahwa seorang pegawai yang berkinerja baik maka akan memperoleh imbalan yang lebih tinggi dibandingkan dengan pegawai lainnya, begitupun
1
sebaliknya. Tujuan diberikannya remunerasi kepada para pegawai pemerintah adalah untuk meningkatkan kinerja pegawai agar lebih baik dan orientasinya pada pelayanan dan tidak mudah terjerat dalam tindak pidana korupsi. Jika sistem ini dapat diterapkan secara efektif maka akan berdampak positif bagi organisasi karena dapat meningkatkan kinerja serta kepuasan kerja pegawai (Trisnawati dan Adam, 2014). Penelitian mengenai remunerasi pada berbagai lembaga birokrasi di Indonesia telah dilakukan sebelumnya. Palagia, Brasit, dan Amar (2010) meneliti pengaruh remunerasi, motivasi, dan kepuasan kerja terhadap kinerja pegawai pada Kantor Pajak di Kota Makassar dengan metode Regresi, diperoleh hasil bahwa ketiga faktor tersebut berpengaruh terhadap kinerja pegawai. Analisis serupa juga dilakukan oleh Fitria, Idris, dan Kusuma (2014) di Kantor Pengadilan Tinggi Agama Samarinda, hasil analisis dengan Regresi Berganda yang diperoleh adalah remunerasi, motivasi, dan kepuasan kerja berpengaruh terhadap kinerja pegawai di Kantor Pengadilan Tinggi Agama Samarinda. Penelitian mengenai remunerasi juga dilakukan pada lembaga keuangan pada tahun 2012 oleh Desvaliana. Penelitian yang dilakukan adalah untuk mengetahui Hubungan Remunerasi dengan Tingkat Employee Engagement di Sektretariat Jenderal Badan Pemeriksa Keuangan Republik Indonesia, diperoleh nilai korelasi spearman sebesar 0,702 yang berarti Remunerasi dengan Tingkat Employee Engagement memiliki hubungan yang cukup kuat. Kementerian Pendidikan dan Kebudayaan (Kemendikbud) merupakan salah satu lembaga birokrasi pemerintahan yang berhak menerima remunerasi, hal ini ditetapkan berdasarkan Peraturan Presiden No. 88 tahun 2013 dan selanjutnya diatur dalam Permendikbud No. 107 tahun 2013 tentang tunjangan kinerja bagi pegawai di lingkungan kementerian pendidikan dan kebudayaan. Dengan demikian, perguruan tinggi yang berada di bawah Kementerian Pendidikan dan Kebudayaan (Kemendikbud) juga berhak menerima remunerasi. Kajian secara kualitatif mengenai sistem remunerasi dosen badan layanan umum di perguruan tinggi pernah dilakukan oleh Trisnawati dan Adam (2015), disebutkan bahwa remunerasi dosen perguruan tinggi saat ini telah sesuai dengan perundangundangan yang berlaku di Indonesia. Aji (2014) melakukan penelitian untuk 2
mengetahui dampak reformasi birokrasi dan budaya organisasi terhadap kinerja organisasi pada sekretariat Jenderal Kementerian Pendidikan dan Kebudayaan, pada penelitian ini digunakan analisis Path. Hasilnya diperoleh bahwa secara simultan reformasi birokrasi dan budaya organisasi memberikan dampak yang signifikan terhadap kinerja organisasi pada sekretariat Jenderal Kementerian Pendidikan dan Kebudayaan. Berbagai penelitian yang telah dilakukan mengenai remunerasi khususnya di lembaga-lembaga birokrasi di Indonesia tersebut umumnya menggunakan metode klasik yakni Regresi Linier Berganda, padahal jika ditelaah lebih dalam variabelvariabel yang berhubungan dengan remunerasi, seperti: motivasi, kondisi lingkungan kerja, pelatihan, dan kinerja merupakan construct atau variabel laten yang tidak dapat diukur secara langsung, sehingga perlu metode yang sesuai dan mampu menyelesaikan permasalahan tersebut. Variabel laten merupakan sebuah konsep abstrak yang tidak dapat diamati secara langsung namun harus dikonstruk sedemikian rupa dari berbagai indikator (Hasymi, 2008). Santoso (2011) menyatakan bahwa variabel laten adalah variabel yang tidak dapat diukur secara langsung tetapi dapat diukur melalui indikatorindikatornya dengan sejumlah variabel manifes, sedangkan variabel manifes atau variabel indikator adalah variabel yang digunakan untuk mengukur variabel laten. Salah satu metode yang dapat digunakan untuk menguji bagaimana variabelvariabel terukur (indikator) yang baik menggambarkan atau mewakili suatu variabel laten adalah Confirmatory Factor Analysis (CFA). CFA merupakan metode measurement model dalam SEM yang digunakan untuk menguji penegasan dari teori pengukuran yang menentukan bagaimana variabel-variabel terukur menggambarkan secara logika dan sistematik suatu konstrak yang dilibatkan dalam suatu model secara teoritis (Nurdiansyah, 2013). SEM mensyaratkan beberapa asumsi yang harus dipenuhi, yaitu asumsi distribusi normal multivariat, observasi harus independen satu sama lain, dan jumlah sampel yang besar, minimal direkomendasikan antara 200 sampai 800 kasus (Ghozali dan Fuad, 2005). Data real di lapangan seringkali menunjukkan pola data yang tersebar tidak normal, terlebih jika sampel yang digunakan kecil, hal ini menjadi kendala pemenuhan asumsi-asumsi tersebut, sehingga diperlukan suatu metode 3
yang bebas asumsi, bebas distribusi (free distribution) dan fleksibel. Metode SEM alternatif yang dimaksud adalah SEM berbasis varians atau sering disebut dengan partial least square, asumsi dasarnya untuk tujuan prediksi dan eksplorasi model namun lebih diutamakan sebagai eksplorasi (Vinzi dkk, 2010). Partial Least Square (PLS) adalah suatu metode estimasi yang berbasis keluarga regresi yang diperkenalkan oleh Herman O. A. Wold pada tahun 1974 untuk penciptaan dan pembangunan model dan metode untuk ilmu-ilmu sosial dengan pendekatan yang berorientasi pada prediksi. PLS digunakan untuk mengetahui kompleksitas hubungan suatu laten dengan laten yang lain, serta hubungan suatu variabel laten dengan indikator-indikatornya. PLS didefinisikan oleh dua persamaan, yaitu inner model dan outer model. Inner model menentukan spesifikasi hubungan antara variabel laten dengan laten yang lain, sedangkan outer model menentukan spesifikasi hubungan antara variabel laten dengan indikator-indikatornya (Yamin dan Kurniawan, 2011). Metode PLS mempunyai keunggulan tersendiri diantaranya: (1) algoritma PLS tidak terbatas hanya untuk hubungan antara indikator dengan variabel latennya yang bersifat refleksif namun juga bisa dipakai untuk hubungan formatif, (2) PLS dapat digunakan untuk ukuran sampel kecil, (3) dapat digunakan untuk menangani model yang sangat komplek, (4) dapat digunakan ketika distribusi data skew (sangat miring). Selain kelebihan tersebut metode PLS juga lebih fleksibel untuk berbagai kombinasi skala data (nominal, ordinal, interval, dan rasio). Berbagai penelitian terkait dengan PLS telah banyak dilakukan, diantaranya dilakukan oleh Fornell dan Bookstain (1982), Tenenhaus, Vinzi, Chatelin, dan Lauro (2005), Henseler, Ringle, dan Sinkovics (2009) yang membandingkan estimasi parameter SEM dengan Maksimum Likelihood dengan PLS, hasilnya diperoleh bahwa estimasi parameter variabel laten dengan PLS lebih fleksibel dan dapat menjadi alternatif jika metode SEM tidak terpenuhi dalam analisis data. Selain itu, penerapan SEM-PLS pernah dilakukan oleh Umami (2010) yang menganalisis indikator pembangunan berkelanjutan di Jawa Timur menggunakan SEM Partial Least Square. Selanjutnya Jihan (2010) melakukan penelitian mengenai pengaruh derajat kesehatan menggunakan variabel moderasi dengan pendekatan Partial Least Square (PLS). Pengembangan metode PLS juga telah 4
dilakukan oleh Anuraga (2014) mengenai Spasial SEM-PLS untuk pemodelan kemiskinan di Jawa Timur dan Kastanja (2014) yang memodelkan status resiko kerawanan pangan di Provinsi Papua dan Papua Barat dengan SEM-PLS Spasial. Kedua penelitian tersebut merupakan kolaborasi dari metode SEM-PLS dengan spasial, dimana metode SEM-PLS digunakan sebagai dasar analisis hingga diperoleh nilai score factor, selanjutnya nilai score factor tersebut digunakan untuk pemodelan spasial dalam persamaan struktural SEM-PLS. Penelitian sebelumnya mengenai remunerasi tenaga kependidikan di lingkungan ITS dilakukan oleh Otok, Andari, dan Utama (2015) dengan melakukan analisis kesenjangan antara kepentingan dan kepuasan berkaitan dengan pemberian remunerasi berbasis kinerja yang diterapkan di ITS. Hasilnya diperoleh bahwa terdapat kesenjangan antara kepentingan dan kepuasan yang dirasakan oleh tenaga kependidikan di lingkungan ITS dalam pemberian remunerasi berbasis kinerja. Sehingga penelitian ini bertujuan sebagai penelitian lanjutan dengan mengestimasi score factor pada measurement model dalam kasus remunerasi tenaga kependidikan di lingkungan ITS menggunakan pendekatan PLS. Estimasi score factor untuk variabel laten penting dilakukan agar hasilnya dapat dipergunakan untuk memperoleh persamaan model struktural yang sesuai ataupun untuk pengembangan. Dengan metode PLS, penentuan skor faktor dapat dilakukan dengan menggunakan tiga skema, yaitu: skema jalur (path scheme), skema sentroid (centroid scheme), dan skema faktor (factor scheme). Ketiga skema tersebut memiliki karakteristik yang berbeda, sehingga ingin dibandingkan hasil estimasi score factor yang diperoleh dari ketiganya. Variabel-variabel laten yang digunakan pada penelitian ini adalah variabel kinerja, remunerasi, motivasi berprestasi, karakteristik lingkungan kerja, dan transfer pelatihan. Dengan kerangka pemikiran variabel laten motivasi berprestasi, karakteristik lingkungan kerja, dan transfer pelatihan berpengaruh terhadap variabel laten kinerja, dan variabel laten kinerja mempengaruhi variabel laten remunerasi. 1.2 Rumusan Permasalahan Berdasarkan latar belakang di atas, maka permasalahan yang akan dibahas dalam penelitian ini adalah sebagai berikut: 5
1. Bagaimana mendapatkan bentuk estimasi score factor pada measurement model skema jalur, skema sentroid, dan skema faktor pada Partial Least Square (PLS)? 2. Bagaimana pemodelan kasus remunerasi tenaga kependidikan di lingkungan ITS dengan skema jalur, skema sentroid, dan skema faktor menggunakan pendekatan Partial Least Square (PLS)? 1.3 Tujuan Penelitian Tujuan yang ingin dicapai dalam penelitian ini adalah: 1. Mendapatkan bentuk estimasi score factor pada measurement model dengan skema jalur, skema sentroid , dan skema faktor pada Partial Least Square (PLS). 2. Memperoleh hasil pemodelan kasus remunerasi tenaga kependidikan di lingkungan ITS dengan skema jalur, skema sentroid, dan skema faktor menggunakan pendekatan Partial Least Square (PLS). 1.4 Manfaat Penelitian Manfaat yang ingin diperoleh dari penelitian ini antara lain sebagai berikut: 1. Menambah wawasan keilmuan dalam penerapan dan pengembangan metode Partial Least Square (PLS). 2. Bagi stakeholder di ITS, diharapkan hasil penelitian ini dapat memberikan informasi mengenai instrument penilaian kinerja dan pengelolaan remunerasi berbasis kinerja bagi tenaga kependidikan di lingkungan ITS. 1.5 Batasan Penelitian Batasan masalah dalam penelitian ini diantaranya sebagai berikut: 1. Penelitian dilakukan dalam rangka penelitian kebijakan yang dilakukan di ITS
mengenai
pengembangan
dan
penentuan
indikator
remunerasi
berdasarkan persepsi tenaga kependidikan di lingkungan ITS. 2. Data yang digunakan dalam penelitian ini merupakan data sekunder hasil survei 100 orang tenaga kependidikan yang terkait dan berkepentingan dalam pengelolaan remunerasi pada satuan kerja di lingkungan ITS. 6
BAB 2 TINJAUAN PUSTAKA 2.1 Analisis Faktor Analisis faktor merupakan teknik interdependen yang memiliki tujuan utama untuk mendefinisikan struktur dasar diantara variabel-variabel pengamatan dalam suatu analisis. Dengan kata lain, analisis faktor bertujuan untuk meringkas atau mereduksi variabel-variabel pengamatan menjadi bentuk dimensi baru yang merepresentasikan variabel utama (faktor). Berdasarkan tujuannya, analisis faktor dibedakan menjadi dua yaitu exploratory/penyelidikan atau confirmatory/ penegasan (Hair, Black, Babin dan Anderson, 2010). Pemilihan metode statistika yang sesuai dapat dilihat pada Gambar 2.1. Problem Penelitian
Apakah analisis eksploratory/confirmatory?
Confirmatory
Exploratory
Structural Equation Modeling
Pengelompokan variabel/observasi?
Tipe Analisis Faktor
Observasi Analisis Cluster
Variabel Analisis Faktor
Gambar 2.1 Pembagian Analisis Faktor (Sumber : Hair, Black, Babin dan Anderson, 2010)
1. Exploratory Factor Analysis (EFA), pendekatan yang bertujuan untuk menyelidiki
faktor-faktor
yang
terkandung
dalam
variabel-variabel
pengamatan tanpa penentuan teori pengukuran yang mengaturnya. Metode statistika yang termasuk dalam kategori EFA adalah Analisis Cluster dan Analisis Faktor. 2. Confirmatory Factor Analysis (CFA), pendekatan yang sudah memiliki teori pengukuran yang mengatur hubungan antara variabel-variabel pengamatan
7
dan faktor-faktor yang diberikan dalam suatu penelitian dengan tujuan untuk melakukan penegasan suatu teori pengukuran yang diberikan dalam rangka membandingkan teoritis dengan hasil empiris/pengamatan. Metode statistika yang termasuk dalam kategori CFA adalah Structural Equation Model (SEM) (Hair, dkk., 2010). Baik pada EFA maupun CFA, suatu variabel laten merupakan suatu faktor sebagai refleksi dari indikator-indikator. Dikatakan demikian karena indikatorindikator tersebut dipandang sebagai variabel-variabel yang dipengaruhi oleh konsep yang mendasarinya disebut sebagai faktor. Tingkat reflektifitas yang menghubungkan antara faktor dengan setiap indikator disebut dengan faktor loading. 2.2 Structural Equation Modeling (SEM) Structural Equation Modeling (SEM) merupakan metode statistika yang menggabungkan beberapa aspek yang terdapat pada analisis jalur dan analisis faktor konfirmatori untuk mengestimasi beberapa persamaan secara simultan (Ferdinand, 2002). Definisi tentang SEM lainnya dikemukakan oleh Wijayanto (2008) yang menyatakan bahwa SEM adalah metode pengembangan dari analisis multivariat yang berpangkal pada analisis faktor, analisis komponen utama, analisis kovarian, dan analisis korelasi. SEM memiliki kemampuan lebih dalam menyelesaikan permasalahan yang melibatkan banyak persamaan linier dengan menghasilkan model pengukuran dan sekaligus model struktural. Berbeda dengan regresi berganda, dimana pada umumnya model regresi merupakan hubungan sebab-akibat antar variabel-variabel yang teramati, sedangkan pada SEM hubungan sebab-akibat yang dispesifikasikan terjadi antar variabel-variabel laten. Model regresi lebih condong kepada eksplanatori, sedangkan pada SEM walaupun ada unsur eksplanatori namun secara empiris lebih sering dimanfaatkan sebagai model konfirmatori (Wardono, 2009). Proses estimasi parameter dalam model struktural SEM, salah satunya dapat menggunakan struktur kovarians yang lebih sering dikenal dengan istilah Model Struktur Kovarians (MSK) atau Covariance Based SEM (CB-SEM) dan lebih populer dikenal dengan model LISREL (Linier Structural Relationships). SEM 8
berbasis kovarians mengasumsikan bahwa variabel-variabel pengamatan adalah kontinyu yang berdistribusi normal multivariat serta mensyaratkan jumlah sampel yang besar (Afifah, 2014). 2.2.1 Komponen SEM Secara umum, komponen-komponen dalam SEM adalah sebagai berikut: 1. Jenis variabel dalam SEM ada dua, yaitu: a. Variabel laten (unobserved variabel atau latent variable) yaitu variabel yang tidak dapat diamati secara langsung, tetapi dapat direpresentasikan oleh satu atau lebih variabel manifes/indikator. Menurut Kuntoro (2006), variabel laten ada dua macam, yaitu variabel laten endogen atau variabel terikat dan variabel laten eksogen atau variabel bebas, digambarkan dalam bentuk lingkaran/elips, dinotasikan dengan (small ksi) untuk variabel laten eksogen dan (small eta) untuk variabel laten endogen. b. Variabel teramati (observed variable atau measurement variable) yang sering juga disebut dengan indikator/variabel manifes (manifest variabel) yaitu variabel yang dapat diamati secara empiris melalui kegiatan survei atau sensus (Hair dkk, 1995). Variabel manifest juga terbagi menjadi dua, yakni variabel manifes eksogen/independen dan variabel manifes endogen/dependen, digambarkan dalam bentuk kotak/persegi empat, dinotasikan dengan Yi untuk indikator yang berhubungan dengan variabel laten endogen dan X i untuk indikator yang berhubungan dengan variabel laten eksogen (Kuntoro, 2006). 2. Jenis model dalam SEM ada dua, yaitu: a. Model struktural (structural model/inner model) yaitu model yang menggambarkan
hubungan-hubungan
diantara
varibel
laten
yang
membentuk persamaan simultan. b. Model pengukuran (measurement model/outer model) yaitu model yang menjelaskan hubungan sebuah variabel laten dengan variabel manifes dalam bentuk analisis faktor.
9
3. Jenis kesalahan dalam SEM ada dua, yaitu: a. Kesalahan struktural (structural error) yaitu kesalahan pada model struktural dan disebut dengan error atau noise. b. Kesalahan pengukuran (measurement error) yaitu kesalahan pada model pengukuran. Gambaran sederhana antara komponen-komponen dalam SEM disajikan pada Gambar 2.2 indikator
Variabel Laten
indikator
Variabel Laten
indikator
indikator
Gambar 2.2 Hubungan antara Variabel Manifes dengan Laten dan antar Variabel Laten
2.2.2 Model Matematik SEM Model umum persamaan struktural dan pengukuran dalam SEM secara matematis dituliskan sebagai berikut (Timm, 2002): a.
Model Struktural (inner model) Model Struktural atau inner model adalah model yang menggambarkan hubungan antar variabel laten eksogen dan atau variabel laten endogen. Menurut Joreskog dan Sorbom dalam Schumacker dan Lomax (2004) model persamaan struktural adalah sebagai berikut: η
Bη
1 0 2 21 m m1 (m 1)
dengan:
0
m2
+
1 11 2 21 22 0 m m1 m 2 (m m)(m 1)
Γξ
+ ζ
1 1 2 2 mn n m (m n)(n 1) (m 1)
(2.1)
η eta adalah vektor dari variabel endogen ξ ksi adalah vektor dari variabel eksogen B dan Γ beta dan gamma adalah matrik koefisien struktural ζ zeta adalah vektor dari kesalahan (error) struktural m n
= banyaknya variabel laten endogen = banyaknya variabel indikator
10
b.
Model Pengukuran (outer model) Model Pengukuran atau outer model adalah model yang menggambarkan hubungan antara variabel laten dengan variabel manifes atau indikatornya. Confirmatory Factor Analysis (CFA) merupakan metode yang digunakan untuk menguji model pengukuran yang menggambarkan hubungan antara variabel laten dengan indikator-indikatornya. Pada model pengukuran dilakukan pengujian model yang terdiri dari satu variabel laten dengan p indikator yang ditunjukkan pada Gambar 2.3 λ1 ξ
λ2
x1
δ1
x2
δ2
xp
δp
λp
Gambar 2.3 Model Pengukuran
Secara metematis Gambar 2.3 dijelaskan dengan persamaan berikut. x1 = λ1ξ + δ1 x2 = λ2ξ + δ2
xp = λpξ + δp Persamaan-persamaan tersebut dapat dinotasikan dalam bentuk matriks yang ditunjukkan pada persamaan 2.2 dan 2.3. Model pengukuran dalam SEM dibedakan menjadi dua model, yaitu: 1) Model Pengukuran Variabel Endogen Model pengukuran ini memuat variabel endogen (dependen), yaitu variabel yang dipengaruhi oleh variabel laten lainnya, ditandai dengan tanda panah yang mengarah pada variabel endogen, sehingga dapat dikatakan bahwa variabel endogen bergantung pada variabel laten lainnya. Persamaan matematis model pengukuran dengan variabel endogen adalah:
11
y
Λy η
y1 y 2 y p
y11 y 21 y p1
y y
22
p2
( p 1)
dengan:
+ ε
1 1 2 2 y pm m m ( p m)(m 1) ( p 1)
y
vektor dari variabel manifes endogen
Λy
matrik koefisien pengukuran (loading factor)
ε p
vektor dari kesalahan pengukuran = banyaknya indikator variabel endogen
(2.2)
2) Model Pengukuran Variabel Eksogen Model pengukuran ini memuat variabel eksogen (independen), yaitu variabel yang mempengaruhi variabel laten lainnya, dan tidak ada tanda panah yang mengarah pada variabe eksogen, sehingga variabel eksogen tidak dipegaruhi atau tidak bergantung pada variabel laten lainnya. Persamaan matematis model pengukuran dengan variabel eksogen adalah: x
Λ xξ
x1 x 2 x p
x11 x 21 xq1
1 1 2 2 xqn n q
x
22
x
q2
(q 1)
dengan:
+ δ
(q n)(n 1)
(2.3)
( q 1)
x Λx
vektor dari variabel manifes eksogen matrik koefisien pengukuran (loading factor)
δ
vektor dari kesalahan pengukuran
q
= banyaknya indikator variabel eksogen
Asumsi model matematik dalam SEM antara lain adalah: a. Kesalahan struktural tidak berkorelasi dengan b. Kesalahan pengukuran
tidak berkorelasi dengan
c. Kesalahan pengukuran tidak berkorelasi dengan d. Kesalahan ,
, dan tidak saling berkorelasi (mutually uncorelated)
e. (I - B) adalah non singular 12
2.2.3 Istilah dan Notasi dalam SEM Terdapat beberapa istilah dan notasi yang sering digunakan pada SEM, berikut ini merupakan penjelasan singkat mengenai istilah-istilah dalam SEM (Ghozali, 2011): a. Variabel laten atau construct atau unobserved variables merupakan variabel yang tidak dapat diukur melalui observasi secara langsung namun memerlukan beberapa indikator untuk dapat mengukurnya. b. Variabel indikator atau manifest variables atau observed variable adalah variabel yang dapat diukur dan diamati secara langsung, variabel indikator/manifes digunakan untuk mengukur sebuah variabel laten. c. Variabel eksogen adalah variabel yang tidak dipengaruhi variabel lain, ditunjukkan dengan tidak ada tanda panah yang mengarah pada variabel tersebut. Variabel eksogen dinotasikan dengan simbol
(ksi) yang
merupakan penduga atau penyebab untuk variabel lainnya dalam suatu model persamaan struktural. Jika terdapat dua variabel eksogen yang saling berkorelasi, ditunjukkan dengan gambar tanda panah dua arah (nonrecursive) yang menghubungkan kedua variabel tersebut. d. Variabel endogen, dinotasikan dengan simbol (eta) adalah variabel yang dipengaruhi oleh variabel lainnya (independent variable) dalam suatu model penelitian. Variabel endogen ditunjukkan dengan adanya tanda panah yang mengarah pada variabel tersebut. e. Variabel antara yang ditunjukkan dengan adanya tanda panah yang mengarah dan meninggalkan suatu variabel, sedangkan variabel terikat hanya memiliki tanda panah yang mengarah ke variabel tersebut. f. Model struktural atau disebut juga dengan inner model adalah model yang menggambarkan hubungan-hubungan antara variabel laten. Sebuah hubungan diantara variabel laten serupa dengan sebuah persamaan regresi linier diantara variabel laten tersebut. g. Model pengukuran (measurement model) atau outer model adalah model yang menghubungkan variabel indikator dengan variabel laten.
13
h. Loading factor dinotasikan dengan simbol (lambda) adalah nilai yang menyatakan hubungan-hubungan antara variabel laten dengan indikatornya. Faktor loading memiliki nilai diantara -1 sampai dengan 1 seperti korelasi. i. Indikator reflektif adalah indikator yang menjelaskan bahwa variabel laten merupakan pencerminan dari indikator-indikatornya. Pada indikator reflektif, kesalahan pengukuran (error) adalah pada tingkat indikator dan disimbolkan dengan (epsilon) atau (delta). j. Indikator formatif adalah indikator yang menjelaskan bahwa variabel laten dibentuk atau disusun oleh indikatornya. Sehingga seolah-olah variabel laten dipengaruhi oleh indikator-indikatornya. Pada indikator formatif kesalahan pengukuran berada pada tingkat variabel laten dan dinotasikan oleh (zeta). Simbol-simbol gambar dalam SEM: Simbol Gambar atau
Keterangan Elips atau lingkaran menggambarkan variabel laten Kotak/persegi menggambarkan variabel indikator Single headed arrow, tanda panah berkepala tunggal menunjukkan pengaruh dari variabel eksogen terhadap variabel endogen (hubungan recursive) Double headed arrow, tanda panah berkepala dua menggambarkan hubungan timbal balik antar variabel eksogen (hubungan non recursive) Panah lengkung menyatakan hubungan korelasi antar dua variabel.
Sumber: Chin (2000)
2.2.4 Analisis Jalur (Path Analysis) Analisis jalur (path analysis) merupakan suatu teknik statistika yang bertujuan untuk menganalisis hubungan sebab akibat yang terjadi pada model regresi berganda jika variabel prediktornya mempengaruhi variabel respon tidak secara langsung tetapi juga secara tidak langsung. Analisis jalur digunakan untuk mengetahui apakah data yang digunakan telah mendukung teori, yang sebelumnya
14
telah dihipotesiskan oleh peneliti mencakup kaitan struktural hubungan kausal antar variabel terukur. Subyek utama dalam analisis jalur adalah variabel-variabel yang saling berkorelasi. Dengan analisis jalur, semua pengaruh baik langsung (direct effect) maupun tak langsung (indirect effect), dan pengaruh total (total couse effect) pada suatu faktor dapat diketahui. Dalam perkembangannya, analisis jalur ini dilakukan dalam kerangka pemodelan SEM. 2.2.5 Analisis Faktor Konfirmatori (Confirmatory Factor Analysis/CFA) Analisis faktor konfirmatori atau CFA adalah salah satu diantara metode statistik multivariat yang digunakan untuk menguji dimensionalitas suatu konstruk atau mengkonfirmasi apakah model yang dibangun sesuai dengan yang dihipotesiskan oleh peneliti. Model yang dihipotesiskan terdiri dari satu atau lebih variabel laten yang diukur oleh indikator-indikatornya. Dalam CFA, variabel laten dianggap sebagai variabel penyebab (variabel bebas) yang mendasari variabelvariabel indikator (Ghozali, 2011). Variabel-variabel dalam CFA terdiri dari variabel yang dapat diamati atau diukur langsung disebut variabel manifes (manifest variable) dan variabel-variabel yang tidak dapat diukur secara langsung disebut dengan variabel laten (latent variable), yang dapat dibentuk dan dibangun dengan variabel-variabel yang dapat diukur (variabel indikator). Dalam CFA biasanya tidak mengasumsikan arah hubungan, tapi menyatakan hubungan korelatif atau hubungan kausal antar variabel. Sehingga dapat dikatakan bahwa CFA digunakan untuk mengevaluasi pola-pola hubungan antar variabel, apakah suatu indikator mampu mencerminkan variabel laten, melalui ukuran-ukuran statistik. 2.3 Partial Least Square (PLS) Pendekatan PLS dikembangkan pertama kali oleh seorang ahli ekonomi dan statistika bernama Herman Ole Andreas Wold. Pada tahun 1974, Wold memperkenalkan PLS secara umum dengan menggunakan algorithm NIPALS (nonlinear iterative partial least squares) yang berfokus untuk maximize variabel eksogen (X) untuk menjelaskan variance variabel endogen (Y) dan menjadi metoda alternatif untuk OLS regresi. Menurut Wold dibandingkan dengan 15
pendekatan lain dan khususnya metoda estimasi Maximum Likelihood, NIPALS lebih umum
oleh karena bekerja dengan
sejumlah kecil
asumsi zero
intercorrelation antara residual dan variabel. Hal ini sejalan dengan yang dinyatakan Fornell dan Bookstein (1982) bahwa PLS menghindarkan dua masalah serius yang
ditimbulkan
oleh
berbasis covariance
SEM
yaitu improper
solutions dan factor indeterminacy. Partial Least Squares merupakan metoda analisis yang powerfull dan sering disebut juga sebagai soft modeling karena meniadakan asumsi-asumsi OLS (Ordinary Least Squares) regresi, seperti data harus berdistribusi normal secara multivariate dan tidak adanya problem multikolonieritas antar variabel eksogen (Wold, 1985). Pada dasarnya Wold mengembangkan PLS untuk menguji teori yang lemah dan data yang lemah seperti jumlah sampel yang kecil atau adanya masalah normalitas data (Wold, 1985). Walaupun PLS digunakan untuk menjelaskan ada tidaknya hubungan antar variabel laten (prediction), PLS dapat juga digunakan untuk mengkonfirmasi teori (Chin, 1998). Sebagai teknik prediksi, PLS mengasumsikan bahwa semua ukuran varian adalah varian yang berguna untuk dijelaskan sehingga pendekatan estimasi variabel laten dianggap sebagai kombinasi
linear
dari
indikator
dan
menghindarkan
masalah factor
indeterminacy. PLS menggunakan iterasi algorithm yang terdiri dari seri OLS (Ordinary Least Squares) maka persoalan identifikasi model tidak menjadi masalah untuk model recursive (model
yang
mempunyai
satu
arah
kausalitas)
dan
menghindarkan masalah untuk model yang bersifat non-recursive (model yang bersifat timbal-balik atau reciprocal antar variabel) yang dapat diselesaikan oleh SEM berbasis covariance. Sebagai alternatif analisis covariance based SEM, pendekatan variance based dengan PLS mengubah orientasi analisis dari menguji model kausalitas (model yang dikembangkan berdasarkan teori) ke model prediksi komponen (Chin, 1998). CB-SEM lebih berfokus pada building models yang dimaksudkan untuk menjelaskan covariances dari semua indikator konstruk, sedangkan tujuan dari PLS adalah prediksi. Oleh karena PLS lebih menitikberatkan pada data dan dengan prosedur estimasi yang terbatas, persoalan misspecification model tidak terlalu berpengaruh terhadap estimasi parameter. Algoritma dalam PLS adalah untuk mendapatkan the best weight 16
estimate untuk setiap blok indikator dari setiap variabel laten. Setiap variabel laten menghasilkan komponen skor yang didasarkan pada estimated indicator weight yang memaksimumkan variance explained untuk variabel dependen (laten, observed atau keduanya) (Yamin dan Kurniawan, 2011). Kelebihan dalam PLS antara lain (1) algoritma PLS tidak terbatas hanya untuk hubungan antara indikator dengan variabel latennya yang bersifat refleksif namun juga bisa dipakai untuk hubungan formatif, (2) PLS dapat digunakan untuk ukuran sampel yang relatif kecil, (3) dapat digunakan untuk model yang sangat kompleks, (4) dapat digunakan ketika distribusi skew (Yamin dan Kurniawan, 2011). PLS dapat menganalisis sekaligus konstruk yang dibentuk dengan indikator refleksif dan indikator formatif, hal ini tidak mungkin dijalankan dalam CB-SEM karena akan terjadi unidentified model. Oleh karena algorithm dalam PLS menggunakan analisis series ordinary least square, maka identifikasi model bukan masalah dalam model rekursif dan juga tidak mengasumsikan bentuk distribusi tertentu dari pengukuran variabel. Lebih jauh algorithm dalam PLS mampu mengestimasi model yang besar dan komplek dengan ratusan variabel laten dan ribuan indikator. Namun, metode PLS juga memiliki kekurangan yakni distribusi data tidak diketahui sehingga tidak bisa menilai signifikansi statistik. Kelemahan pada metode partial least square ini bisa diatasi dengan menggunakan metode resampling atau bootstrap (Ghozali, 2011). 2.4 Analisis Pemodelan dengan Pendekatan PLS Tahap 1: Konseptualisasi Model Konseptualisasi model adalah langkah awal dalam analisis PLS, dimana peneliti harus melakukan pengembangan dan pengukuran konstruk. Dalam SEM perancangan model adalah berbasis teori, namun dalam PLS bisa berupa teori, review literatur, hasil penelitian empiris sebelumnya, analogi (hubungan antar variabel pada bidang ilmu lain), normative (misal peraturan pemerintah, undangundang dan lain sebagainya), logika atau rasional (eksplorasi hubungan antar variabel). Dalam tahap ini terdapat dua model yang akan dirancang, yaitu :
17
a. Merancang measurement model (outer model) Rancangan outer model menjadi penting meliputi model refleksif atau formatif, peneliti membuat spesifikasi model hubungan antara konstruk laten dengan indikatornya, apakah bersifat refleksif atau formatif yang didasarkan pada teori, penelitian empiris sebelumnya atau secara rasional. b. Merancang structural model (inner model) Rancangan model struktural atau inner model merupakan model yang menggambarkan hubungan antar konstruk (variabel laten), dimana konsep konstruk adalah jelas dan mudah didefinisikan. Tahap 2: Mengkonstruksi Diagram Jalur (Path Diagram) Path diagram dikonstruksi dengan menggunakan path models yang menjelaskan pola hubungan antara variabel laten dengan indikator-indikatornya, sehingga
dengan
memvisualisasikan
hubungan
antara
indikator
dengan
konstruknya serta hubungan antara konstruk, maka akan lebih mempermudah peneliti untuk melihat model secara komprehensif. Tahap 3: Mengkonversi Diagram Jalur ke Sistem Persamaan Sistem persamaan meliputi persamaan outer model dan inner model dengan penjelasan sebagai berikut : a. Outer Model atau Model Pengukuran (Measurement Model) Model pengukuran atau outer model bertujuan untuk mengukur dimensidimensi
yang
membentuk
sebuah
faktor,
merupakan
model
yang
merepresentasikan dugaan hipotesis yang sudah ada sebelumnya yaitu hubungan antara indikator dengan faktornya dan dievaluasi dengan analisis faktor konfirmatori atau Confirmatory Factor Analysis (CFA). Menurut Sharma (1996), bentuk persamaan model pengukuran dituliskan:
Variabel Laten Eksogen dengan Indikator Reflektif x1 = λ1ξ + δ1 x2 = λ2ξ + δ2
xp = λpξ + δp Bentuk matriknya dituliskan pada persamaan 2.3, yaitu: x Λxξ + δ
18
Variabel Laten Eksogen dengan Indikator Formatif
1 x1 2 x2
J x J 1 (2.4)
J
j j xj j j 1
Variabel Laten Endogen dengan Indikator Reflektif y1 = λ1η + ε1 y2 = λ2η + ε2
yp = λpη + εp Bentuk matriknya dituliskan pada persamaan 2.2, yaitu: y Λy η+ ε
Variabel Laten Endogen dengan Indikator Formatif
1 y1 2 y2
I yI 1 (2.5)
I
i i yi i i 1
dengan: E( )=0
Cov( )=
E( )=0
Cov( )=
b. Inner Model atau Model Struktural Model struktural atau disebut juga inner relation structural model menggambarkan hubungan antar variabel laten dalam suatu model struktural berdasarkan substantive theory. Hubungan tersebut menggambarkan hubungan antara variabel independen dengan variabel dependen. Pola hubungan ini dianalisis dengan teknik statistika yaitu analisis jalur (path analysis). Dari model struktural akan diperoleh besarnya pengaruh variabel eksogen terhadap variabel endogen baik langsung maupun tidak langsung. Model struktural dengan partial least square di desain untuk model recursive yaitu model yang menggambarkan hubungan kausal antara variabel laten eksogen dengan variabel laten endogen, atau disebut sebagai “hubungan sistem kausal berantai” (causal chain system), yang secara spesifik model persamaannya dapat ditulis sebagai berikut : I
H
i 1
h 1
j j 0 jii jhh j
19
(2.6)
c. Hubungan Bobot (Weight Relation) Spesifikasi model pada outer model dan inner model dilakukan dalam tingkat konseptual. Dan tidak secara nyata mengetahui nilai suatu variabel laten. Maka dari itu, hubungan bobot atau weight relation harus didefinisikan. Dan salah satu karakteristik utama dalam pendekatan PLS adalah kemungkinan untuk memperkirakan nilai skor variabel laten. Estimasi skor variabel laten dapat dituliskan sebagai berikut : Kj
ˆj w jk x jk
(2.7)
k 1
dimana
merupakan bobot yang digunakan untuk mengestimasi variabel
laten, yang merupakan kombinasi linier dengan variabel indikator/manifest. Tahap 4: Estimasi Parameter PLS Metode pendugaan parameter (estimasi) dalam PLS adalah metode kuadrat terkecil (least square methods). Proses perhitungan dilakukan dengan cara iterasi, dimana iterasi akan berhenti jika telah mencapai kondisi konvergen. Pendugaan parameter di dalam PLS meliputi 3 hal, yaitu : a. Estimasi bobot (weight estimate) untuk membuat bobot atau menciptakan skor (score factor) pada variabel laten. b. Estimasi jalur (path estimate) dilakukan untuk menghubungkan antar variabel laten (koefisien jalur) yaitu koefisien beta (β) dan gamma (γ) dan antara variabel laten dengan indikatornya yaitu estimasi loading factor yang merupakan koefisien outer model yaitu lambda (λ). c. Estimasi rata-rata (mean) dan parameter lokasi (nilai konstanta regresi) untuk indikator dan variabel laten. Estimasi dilakukan dengan algoritma PLS yang berlangsung dalam tiga tahap. Langkah pertama dalam estimasi PLS terdiri dari prosedur iterasi regresi sederhana atau regresi berganda dengan memperhitungkan hubungan model struktural/inner model, model pengukuran/outer model dan estimasi bobot/weight relation. Kemudian hasil dari estimasi satu set bobot digunakan untuk menghitung nilai skor variabel laten, yang mana merupakan kombinasi linier dari variabel indikator / manifest. Setelah estimasi skor variabel laten diperoleh, maka langkah
20
kedua dan ketiga melibatkan estimasi koefisien model struktural (inner model) dan koefisien dari masing-masing model pengukuran (outer model). Pada dasarnya algoritma PLS merupakan serangkaian regresi sederhana dan berganda dengan estimasi ordinary least square (Tenenhaus, 2005). Algoritma PLS Tahap 1 Tujuan dari tahap ini adalah perhitungan bobot yang diperlukan untuk Kj
mengestimasi nilai skor variabel laten ˆj y j w jk x jk , dimana
merupakan
k 1
bobot pada model pengukuran (outer weight). Proses menghitung bobot dilakukan dengan proses iterasi yang memperhitungkan pada konseptual yang dibangun dalam model struktural dan model pengukuran. Untuk masing-masing model (inner dan outer) terdapat pendekatan yang terkait dari nilai skor variabel laten: (1) estimasi model pengukuran (outside approximation) dan (2) estimasi model struktural (inside approximation). Sehingga pada tahap pertama dalam algoritma PLS ini sangat tergantung pada bagaimana hubungan antara nilai skor variabel laten dalam model struktural yang ditetapkan, dan juga pada bagaimana indikator tersebut diasosiasikan dengan nilai skor variabel latennya. a. Estimasi Parameter Model Pengukuran (Outside Approximation) Pada langkah ini proses iterasi dimulai dengan sebuah inisialisasi awal di masing-masing variabel laten sebagai kombinasi linear (agregat tertimbang) dari variabel indikator/manifest. Kj
y j w jk x jk
(2.8)
k 1
dimana
adalah bobot pada model pengukuran (outer weight). Ide dalam
estimasi eksternal ini adalah untuk mendapatkan satu set bobot yang digunakan mengestimasi nilai skor variabel laten dengan varians sebanyak mungkin untuk indikator dan konstruk (Trujillo, 2009). b. Estimasi Parameter Model Struktural (Inside Approximation) Dalam langkah ini hubungan antara variabel laten dalam model struktural (inner model) yang diperhitungkan untuk mendapatkan inisialisasi pada masing-
21
masing variabel laten dimana dihitung sebagai agregat tertimbang terhadap variabel laten yang berdekatan. Dengan mengikuti algorithm dari Wold (1985) dan telah diperbaiki oleh Lohmoller’s (1989) dalam Soebagijo (2011), maka estimasi inner model dari standardized variabel laten j m j didefinisikan dengan : zj
J
i 1,i j j dihubungkan pada j
e ji yi
(2.9)
Bobot inner model e ji dipilih melalui tiga skema sebagai berikut : 1) Skema jalur (path scheme) Variabel laten dihubungkan pada j yang dibagi ke dalam dua grup, yaitu variabel-variabel laten yang menjelaskan j dan diikuti dengan variabelvariabel yang dijelaskan oleh j . Definisi skema jalur menurut Trujillo (2009): e ji cor y j , yi jika j dijelaskan oleh i yj
J
i 1,i j
e ji yi
koefisien e ji dalam persamaan regresi dari yi pada y j
(2.10)
Skema pembobotan jalur memiliki keuntungan dengan mempertimbangkan baik kekuatan dan arah jalur dalam model struktural. 2) Skema sentroid (centroid scheme) Bobot inner model e ji merupakan korelasi tanda (sign correlation) antara yi dan y j , ditulis sebagai berikut : sign cor y j , yi e ji 0
j i yang berhubungan lainnya
(2.11)
3) Skema faktor (factor scheme) Bobot inner model e ji merupakan korelasi antara yi dan y j , Skema ini tidak saja mempertimbangkan arah tanda tetapi juga kekuatan dari jalur dalam model struktural. Trujillo (2009) mendefinisikan skema faktor sebagai berikut:
cor y j , yi e ji 0
j i yang berhubungan lainnya
22
(2.12)
c. Memperbaruhi Bobot Model Pengukuran (Updating Outer Weight) Setelah pendekatan estimasi internal (inside approximation) dilakukan, selanjutnya estimasi internal z j dipertimbangkan dengan menganggap indikator. Hal ini dilakukan dengan memperbaruhi bobot pada model pengukuran (outer weight). Terdapat beberapa cara yang dilakukan dalam memperbaruhi bobot pada (outer weight).
model pengukuran
Mode A (Model Indikator Refleksif) Mode A atau model dengan indikator refleksif adalah model yang menjelaskan bahwa variabel manifes yang berkaitan dengan variabel laten diasumsikan mengukur indikator yang memanifestasikan konstruk. Pada model refleksif, diasumsikan arah hubungan kausalitas adalah dari konstruk ke indikator dan antar indikator saling berkorelasi. Pada mode A, untuk tipe indikator refleksif dengan variabel eksogen yang dinotasikan dengan simbol ξ (ksi), bobot λjk adalah koefisien regresi dari ξj dalam regresi sederhana yang memuat variabel bebas xjk , dengan persamaan sebagai berikut : (2.13)
x jk jk j jk
Model indikator refleksif untuk variabel eksogen disajikan pada Gambar 2.4
11
x
x11
12
x12
jk
x jk
11
x
12
x
jk
Gambar 2.4 Mode A dengan Variabel Eksogen
Bobot untuk mode A untuk variabel laten eksogen atau model dengan indikator reflektif adalah :
w jk jk z j T z j
1
z j T x jk cor ( x jk , z j )
(2.14)
Persamaan model pengukuran dengan model indikator refleksif (mode A) untuk variabel laten endogen dinotasikan dengan η (eta), disajikan pada Gambar 2.5 23
y
11
y
12
y
y11
11
y12
12
y jk
jk
jk
Gambar 2.5 Mode A dengan Variabel Endogen
Persamaan matematisnya adalah sebagai berikut : (2.15)
y jk jk j jk
Bobot untuk mode A untuk variabel laten endogen adalah:
w jk jk z j T z j
1
z j T y jk cor ( y jk , z j )
(2.16)
Mode B (Model Formatif) Mode B adalah model untuk tipe indikator formatif, yaitu setiap indikator mempengaruhi konstruk laten, model ini disajikan pada Gambar 2.6
x11
j
x12
x jk Gambar 2.6 Mode B dengan Variabel Eksogen
Pada mode B, untuk variabel eksogen (ξ), dengan pembobot λjk adalah vektor koefisien regresi berganda dari ξj pada indikator variabel (manifest variabel) xjk yang dihubungkan ke sesama variabel laten ξj . Bobot untuk mode B adalah :
w jk jk x jk T x jk
1
x jk T z j
(2.17)
dengan variabel manifes x jh menghubungkan variabel laten j ke-j yang telah distandarisasi menjadi z j .
24
d. Pemeriksaan Konvergensi Dalam setiap prosedur iterasi, misalkan S = 1,2,3…, konvergensi diperiksa dengan membandingkan outer weight pada setiap langkah S terhadap outer weight pada langkah S-1. Wold (1982) mengusulkan
sebagai
kriteria konvergensi. Algoritma PLS Tahap 2 Tahap kedua dari algoritma PLS yaitu perhitungan estimasi koefisien jalur dan loading,
dan
, sesuai dengan inner model dan outer model. Dalam
model struktural, koefisien jalur diestimasi dengan OLS (Ordinary Least Square) seperti analisis regresi linier berganda dari hubungan antara
dan
, (2.19) (2.20)
Untuk model pengukuran reflektif, koefisien loading diestimasi seperti pada regresi linier sederhana dari hubungan
dengan
, (2.21) (2.22)
Dan untuk model pengukuran model formatif, koefisien loading diestimasi seperti pada regresi linier berganda dari hubungan antara
dengan
, dimana
berkaitan dengan bobot model pengukuran (outer weight). (2.23) (2.24) Jika ditulis dalam persamaan dengan spesifikasi prediktor seperti pada persamaan dibawah ini, maka terdapat tiga parameter yang harus diestimasi, (konstanta pada model struktural), dan
(konstanta model pengukuran reflektif)
(konstanta model pengukuran formatif). (model struktural)
(2.25)
(model pengukuran reflektif) (2.26) (model pengukuran formatif) (2.27)
25
Parameter
ini
sesuai
dengan
parameter
lokasi,
yaitu,
yang
memperhitungkan mean dari variabel indikator/manifes dan variabel laten. Sebelum menghitung parameter lokasi, mean untuk estimasi variabel laten didefinisikan sebagai berikut (Trujillo, 2009): (2.28) (2.29) Sehingga estimasi dari parameter lokasi struktural),
(konstanta pada model
(konstanta model pengukuran reflektif) dan
(konstanta model
pengukuran formatif) dapat diinterpretasikan sebagai berikut (Trujillo, 2009) : (2.30) (2.31) (2.32) Berikut adalah diagram dalam algoritma PLS : Kj
Estimasi model pengukuran (Outside Approximation)
y j wold jk x jk k 1
Estimasi model struktural (Inside Approximation)
TAHAP 1 Prosedur Iterasi
Bobot model pengukuran (Outer weight)
zj
J
i 1,i j
e ji yi
Path scheme e ji Centroid scheme Path scheme T 1 T wnew jk ( z j z j ) z j x jk
Mode A
T 1 T wnew jk ( x j x j ) x j z j
Mode B
Tidak
Konvergensi
new wold 105 jk w jk
Ya
Estimasi nilai skor variabel laten
Kj
ˆj y j w jk x jk k 1
TAHAP 2
Estimasi koefisien loading dan jalur
Gambar 2.7 Diagram Alur Algoritma PLS (Sumber: Trujillo, 2009)
26
Tahap 5: Evaluasi Model PLS Evaluasi model dalam PLS meliputi dua tahap, yaitu evaluasi outer model atau model pengukuran dan evaluasi terhadap inner model atau model struktural. a). Evaluasi terhadap Model Pengukuran atau Outer Model Terdapat beberapa metode untuk mengevaluasi model pengukuran atau outer model yang dibedakan berdasarkan model reflektif atau model formatif. Evaluasi Outer Model dengan Indikator Reflektif a. Validitas Konvergen (Convergent Validity) Validitas konvergen atau (convergent validity) dapat dilihat dari nilai standardize loading factor (λ). Standardize loading factor menggambarkan besarnya korelasi antara setiap item pengukuran (indikator) dengan konstraknya (variabel laten). Nilai loading faktor di atas 0,7 dapat dikatakan ideal, artinya bahwa indikator tersebut dikatakan signifikan sebagai indikator yang mengukur konstrak (variabel laten). Namun demikian, nilai standardize loading factor diatas 0,5 dapat diterima, sedangkan nilai standardize loading factor dibawah 0,5 dapat dikeluarkan dari model (Chin, 1998). b. Reliabilitas Komposit (Composite Reliability) Composite reliability merupakan blok indikator yang mengukur suatu konstruk dapat dievaluasi dengan ukuran internal consistency. Dengan menggunakan output yang dihasilkan oleh PLS, maka composite reliability dapat dihitung dengan rumus sebagai berikut: 2
Kj jk k 1 CR 2 Kj Kj jk var e jk k 1 k 1
(2.34)
Ukuran ini dapat diterima tingkat kehandalannya apabila koefisien variabel laten eksogen lebih besar dari 0,70 (Chin, 1998). Dimana loading factor ke-k pada variabel laten ke-j indikator dan
27
adalah komponen =
.
Evaluasi Outer Model dengan Indikator Formatif a. Signifikansi nilai weight Nilai estimasi untuk model pengukuran dengan indikator formatif sebaiknya signifikan, yang dinilai dengan prosedur bootstrapping. b. Multikolinieritas Antar variabel manifes dalam blok harus dilihat apakah terdapat multikolineritas atau tidak. Untuk mengevaluasi multikolineritas dapat dilihat dari nilai variance inflation factor (VIF). Apabila nilai VIF diatas 10 maka mengindikasikan terdapat multikolineritas. b). Evaluasi terhadap Model Struktural atau Inner Model Ada beberapa tahap untuk mengevaluasi model struktural. Pertama adalah melihat signifikansi hubungan antara konstrak/variabel laten. Hal ini dapat dilihat dari koefisien jalur (path coefficient) yang menggambarkan kekuatan
hubungan
antara
konstrak/variabel
laten.
Untuk
melihat
signifikansi path coefficient dapat dilihat dari nilai t-test (critical ratio) yang diperoleh dari proses bootstrapping (resampling method). Nilai R2 sama halnya dengan nilai R2 dalam regresi linier yaitu besarnya variability variabel endogen yang mampu dijelaskan oleh variabel eksogen. Chin (1998) dalam Henseler dkk (2009) menjelaskan kriteria batasan nilai R2 ini dalam tiga klasifikasi, yaitu nilai R2 0.67, 0.33, dan 0.19 sebagai subtansial, moderat, dan lemah. Selain nilai R2, terdapat juga Q-Square Predictive Relevance (Q2) yang dapat digunakan untuk validasi kemampuan prediksi model. Apabila nilai Q2 semakin mendekati nilai 1, maka dapat dikatakan bahwa model struktural fit dengan data atau memiliki prediksi yang relevansi (Ghozali, 2011) c). Bootstrap pada Partial Least Square (PLS) Metode bootstrap telah dikembangkan oleh Efron (1979) sebagai alat untuk membantu mengurangi ketidakandalan yang berhubungan dengan kesalahan penggunaan distribusi normal dan penggunaannya. Yang mana dalam boostrap membuat pseudo data (data bayangan) dengan menggunakan informasi dari data asli dengan memperhatikan sifat-sifat dari data asli, sehingga data bayangan 28
memiliki karakteristik yang sangat mirip dengan data asli. Metode resampling pada partial least square dengan sampel kecil menggunakan bootstrap standard error untuk menilai level signifikansi dan memperoleh kestabilan estimasi model pengukuran (outer model) dan model struktural (inner model) dengan cara mencari estimasi dari standard error (Chin, 1998). Bootstrap standard error dari dihitung dengan standard deviasi dari B replikasi.
B
seˆB (ˆ* )
b 1
ˆ(*b ) ˆ(.)*
B
2
B 1
dengan ˆ(.)*
ˆ b 1
* (b )
(2.35)
B
Dimana B adalah jumlah kumpulan resampling yang berukuran
n dengan
replacement ˆ(*b ) adalah statistik ˆ yang dihitung dari sampel ulang ke-b (dengan b= 1,2,…,B). 2.5 Variabel-variabel Konstruk dalam Penelitian Variabel yang digunakan dalam penelitian ini meliputi variabel-variabel yang baik secara teori konseptual, penelitian sebelumnya maupun secara rasional memiliki keterkaitan dengan remunerasi baik secara langsung maupun tidak langsung. 2.5.1 Motivasi Berprestasi Motivasi berprestasi pertama kali diperkenalkan oleh Murray yang diistilahkan dengan need for achievement dan dipopulerkan oleh Mc Clelland (1961) dengan sebutan “n-ach”, yang beranggapan bahwa motif berprestasi merupakan virus mental sebab merupakan pikiran yang berhubungan dengan cara melakukan kegiatan dengan lebih baik daripada cara yang pernah dilakukan sebelumnya. Jika sudah terjangkit virus ini mengakibatkan perilaku individu menjadi lebih aktif dan individu menjadi lebih giat dalam melakukan kegiatan untuk mencapai prestasi yang lebih baik dari sebelumnya. Individu yang menunjukkan motivasi berprestasi menurut Mc.Clelland adalah mereka yang task oriented dan siap menerima tugas-tugas yang menantang dan kerap mengevaluasi tugas-tugasnya dengan beberapa cara, yaitu membandingkan dengan hasil kerja orang lain atau dengan standard tertentu (McClelland, dalam Morgan 1986).
29
Menurut McClelland (dalam Morgan, 1986) ciri-ciri individu yang memiliki motivasi berprestasi tinggi adalah : 1. Menyukai tugas yang memiliki taraf kesulitan sedang/menengah. 2. Suka menerima umpan balik (suka membandingkan kinerja diri sendiri dengan orang lain). 3. Tekun dan gigih terhadap tugas yang berkaitan dengan kemajuannya. 2.5.2 Karakteristik Lingkungan Kerja Sopiah (2008) menyatakan lingkungan kerja juga bisa mempengaruhi kinerja seseorang. Situasi lingkungan kerja yang kondusif, misalnya dukungan dari atasan, teman kerja, sarana, dan prasarana yang memadai akan menciptakan kenyamanan tersendiri dan akan memacu kinerja yang baik. Sebaliknya, suasana lingkungan kerja yang tidak nyaman karena sarana dan prasarana yang tidak memadai, tidak adanya dukungan dari atasan, dan banyak terjadi konflik akan memberi dampak negatif yang mengakibatkan kemerosotan pada kinerja seseorang. Lingkungan kerja meupakan segala sesuatu yang ada di sekitar karyawan yang dapat mempengaruhi dirinya dalam menjalankan tugas-tugas yang diembannya (Nitisemito, 2000). Secara garis besar, lingkungan kerja terbagi menjadi dua aspek yaitu (Sedarmayanti, 2001): a. Lingkungan kerja fisik, merupakan semua keadaan berbentuk fisik yang terdapat di sekitar tempat kerja yang dapat mempengaruhi karyawan baik secara langsung maupun tidak langsung, meliputi : meja, kursi, temperatur, sirkulasi udara, pencahayaan, kebisingan dll. b. Lingkungan kerja nonfisik, merupakan semua keadaan yang berkaitan dengan hubungan kerja, baik dengan atasan maupun sesama rekan kerja, ataupun hubungan dengan bawahan. 2.5.3 Transfer Pelatihan Transfer pelatihan (transfer of traning) adalah bagaimana tingkat pengetahuan, keahlian, kemampuan, atau karateristik lainnya yang dipelajari dalam pelatihan untuk selanjutnya dapat digunakan/diterapkan dalam pekerjaan (Simamora, 1997). Transfer pelatihan mengidentifikasikan sejauh mana karyawan yang menjadi peserta pelatihan dapat menerapkan apa yang diperoleh dari 30
pelatihan sehingga dapat mengubah perilakunya dalam pelaksanaan pekerjaan mereka. Menurut Craig (1999), ada tiga cara transfer pelatihan ke tempat kerja yaitu: a. Positif, yaitu hasil pelatihan akan meningkatkan kinerja pekerjaan. b. Negatif, yaitu hasil pelatihan menurunkan kinerja sebelumnya. c. Netral, yaitu hasil pelatihan tidak mempengaruhi kinerja pekerjaan. 2.5.4 Kinerja Definisi kinerja menurut Rivai (2005) adalah hasil atau tingkat keberhasilan seseorang secara keseluruhan selama periode tertentu didalam melaksanakan tugas dibandingkan dengan berbagai kemungkinan, seperti standar hasil kerja, target atau sasaran atau kriteria yang telah ditentukan terlebih dahulu dan telah disepakati bersama. Sedangkan menurut Sulistiyani (2003), kinerja seseorang merupakan kombinasi dari kemampuan, usaha, dan kesempatan yang dapat dinilai dari hasil kerjanya. Dengan demikian, kinerja adalah kesediaan seseorang atau kelompok orang untuk melakukan suatu kegiatan dan menyempurnakannya sesuai dengan tanggung jawabnya dengan hasil yang diharapkan. Menurut Miner dalam Sutrisno (2010), terdapat empat aspek dari kinerja yaitu: a. Kualitas yang dihasilkan, menerangkan tentang jumlah kesalahan, waktu, dan ketepatan dalam melakukan tugas. b. Kuantitas yang dihasilkan, berkenaan dengan berapa jumlah produk atau jasa yang dapat dihasilkan. c. Waktu kerja, menerangkan berapa jumlah absen, keterlambatan, serta masa kerja yang telah dijalani oleh karyawan. d. Kerjasama, menerangkan bagaimana seorang karyawan membantu atau menghambat usaha dari rekan kerjanya. Adapun indikator kinerja karyawan menurut Guritno dan Waridin (2005) adalah sebagai berikut: 1. Mampu meningkatkan target pekerjaan dan menyelesaikan tepat waktu 2. Mampu meminimalkan kesalahan pekerjaan 3. Mampu menciptakan inovasi dalam menyelesaikan pekerjaan 4. Mampu menciptakan kreatifitas dalam menyelesaikan pekerjaan 31
2.5.5 Remunerasi Pengertian remunerasi menurut Surya (2004) adalah sesuatu yang diterima pegawai sebagai imbalan dari kontribusi yang telah diberikannya kepada organisasi tempat bekerja. Remunerasi memiliki makna yang lebih luas daripada gaji, karena mencakup semua bentuk imbalan baik berupa uang maupun barang yang diberikan secara langsung maupun tidak langsung, dan yang bersifat rutin maupun tidak rutin. Hal yang sama juga diungkapkan oleh Ruky (2006) yang menjelaskan bahwa imbalan/kompensasi atau remuneration mempunyai cakupan yang lebih luas daripada upah atau gaji. Imbalan mencakup semua pengeluaran yang dikeluarkan oleh organisasi untuk para pegawainya dan diterima atau dinikmati oleh pegawai, baik secara langsung, rutin, atau tidak langsung (suatu hari nanti). Menurut Mondy dan Noe (1993), komponen remunerasi dapat dibedakan menjadi dua, yaitu: 1. Remunerasi finansial, terdiri atas remunerasi finansial langsung dan remunerasi finansial tidak langsung. a. Remunerasi finansial langsung adalah pembayaran yang diterima oleh seorang pegawai dalam bentuk gaji, upah, bonus, dan komisi. Rivai (2011) menjelaskan bahwa gaji adalah balas jasa dalam bentuk uang yang diterima karyawan sebagai konsekuensi dari kedudukannya sebagai seorang karyawan yang memberikan sumbangan tenaga dan pikiran dalam memcapai tujuan organisasi tempat bekerja. Sementara itu, upah merupakan imbalan finansial langsung yang dibayarkan kepada pegawai berdasarkan jam kerja, jumlah barang yang dihasilkan, atau banyaknya pelayanan yang diberikan. Sehingga upah berbeda dengan gaji yang jumlahnya relatif tetap, namun besarnya upah dapat berubah-ubah tergantung pada keluaran yang dihasilkan. b. Remunerasi finansial tidak langsung (tunjangan) meliputi asuransi jiwa dan kesehatan, bantuan sosial, seperti benefit (jaminan pensiun, jaminan sosial tenaga kerja, bantuan pendidikan, dan bantuan natura) serta ketidakhadiran yang dibayar seperti cuti.
32
2. Remunerasi non finansial, terdiri dari kepuasan yang diperoleh pegawai dari pekerjaan itu sendiri dan dari lingkungan pekerjaan. Penjelasannya adalah sebagai berikut: a. Kepuasan yang diperoleh pegawai dari pekerjaan itu sendiri antara lain berupa: tugas yang menarik, tantangan pekerjaan, tanggung jawab, atau pengakuan yang memadai atas prestasi yang dicapai. b. Kepuasan yang diperoleh pegawai dari pekerjaan yang dapat diciptakan oleh perusahaan dan pegawai, antara lain berupa: kebijakan perusahaan yang sehat dan wajar, adanya rekan kerja yang menyenangkan, terciptanya lingkungan kerja yang nyaman. 2.6 Kerangka Konseptual Berdasarkan teori yang telah dipaparkan pada tinjauan pustaka, terdapat hubungan langsung atau tidak langsung antar sesama variabel laten dan juga antara variabel laten dengan indikatornya seperti visualisasi yang terlihat dalam diagram jalur pada model konseptual yang disajikan pada Gambar 2.8 X1.1
...
X1.13
X2.1
...
Motivasi Berprestasi (ξ1)
Sulastri (2007) Alfiandri (2010) Choliq (2013) Darmayanti, dkk (2014) Hestisani (2014) Zendi dan Masdupi (2014)
Y1.1
Kinerja (η1)
Yunanda (2012) Almustofa (2014) Hidayat dan Taufiq (2012) Sofyan (2013) Dhermawan, dkk (2012)
... Y1.13
Karakteristik Lingkungan Kerja (ξ2)
X2.16 Y2.1
Agusta dan Susanto (2013) Febriyanti, dkk (2012)
Remunerasi (η2)
X3.1
...
... Y2.13
Transfer Pelatihan (ξ3)
X3.5
Gambar 2.8 Model Konseptual Penelitian
33
Hubungan kausalitas antar variabel pada Gambar 2.8 merupakan hasil dari penelitian-penelitian berikut: 1. Sulastri (2007) mencari hubungan motivasi berprestasi dan disiplin dengan kinerja dosen menggunakan analisis regresi, diperoleh hasil bahwa terdapat hubungan yang positif antara motivasi berprestasi dengan kinerja dosen, serta hubungan positif antara disiplin dengan kinerja dosen. 2. Alfiandri
(2010)
melakukan
penelitian
mengenai
pengaruh
gaya
kepemimpinan dan motivasi berprestasi terhadap kinerja pegawai dinas kebudayaan dan pariwisata Kota Pekanbaru, menggunakan metode analisis regresi linier berganda diperoleh hasil gaya kepemimpinan tidak berpengaruh terhadap kinerja, sedangkan motivasi berprestasi memiliki pengaruh yang signifikan terhadap kinerja pegawai. 3. Choliq (2013) meneliti pengaruh motivasi berprestasi, iklim sekolah, dan kepuasan kerja terhadap kinerja guru SMP di Kabupaten Tegal, analisis dilakukan dengan regresi berganda dan diperoleh hasil bahwa semua variabel tersebut memiliki pengaruh positif terhadap kinerja, namun variabel motivasi berprestasi memiliki pengaruh yang paling besar terhadap kinerja. 4. Darmayanti, dkk (2014) melakukan analisis jalur (path analisis) untuk mengetahui pengaruh intelektual dan motivasi berprestasi terhadap kinerja pegawai PDAM di Kabupaten Gianyar. Hasil yang diperoleh adalah terdapat pengaruh positif dan signifikan dari kompetensi intelektual dan motivasi berprestasi terhadap kinerja pegawai, kompetensi intelektual terhadap motivasi berprestasi pegawai, kompetensi intelektual terhadap kinerja pegawai, dan motivasi berprestasi terhadap kinerja pegawai pada Perusahaan Daerah Air Minum di Kabupaten Gianyar.
5. Hestisani (2014) menganalisis pengaruh motivasi berprestasi dan disiplin kerja terhadap kinerja pegawai pada Badan Kepegawaian Daerah Kabupaten Buleleng dengan analisis jalur, diperoleh hasil bahwa ada pengaruh positif dan signifikan dari variabel motivasi berprestasi dan disiplin kerja terhadap kinerja, motivasi berprestasi terhadap disiplin kerja, motivasi berprestasi terhadap kinerja, dan disiplin kerja terhadap kinerja pegawai Badan Kepegawaian Daerah Kabupaten Buleleng. 34
6. Zendi dan Masdupi (2014) melakukan penelitian mengenai pengaruh kepemimpinan, motivasi berprestasi, dan kepuasan kerja terhadap kinerja pegawai Badan Penanggulangan Bencana Daerah Kabupaten Tanah Datar menggunakan path analysis, hasil
yang diperoleh adalah variabel
kepemimpinan berpengaruh terhadap motivasi berprestasi, kepuasan kerja, dan kinerja, variabel motivasi berprestasi berpengaruh signifikan terhadap kepuasan kerja kinerja, sedangkan variabel kepuasan kerja berpengaruh signifikan terhadap kinerja pegawai. 7. Almustofa (2014) serta Hidayat dan Taufiq (2012) melakukan penelitian yang sama dengan analisis regresi untuk mengetahui pengaruh lingkungan kerja, motivasi, dan disiplin kerja terhadap kinerja pegawai pada tempat yang berbeda yakni Perum Bulog Divisi Regional Jakarta dan PDAM Kabupaten Lumajang. Diperoleh kesimpulan yang sama bahwa lingkungan kerja, motivasi, dan disiplin kerja berpengaruh positif dan signifikan terhadap kinerja pegawai. 8. Sofyan (2013) menganalisis pengaruh lingkungan kerja terhadap kinerja pegawai BAPPEDA dengan menggunakan metode regresi linier sederhana, diperoleh hasil bahwa terdapat pengaruh yang signifikan antara lingkungan kerja terhadap kinerja pegawai BAPPEDA Kabupaten X. 9. Yunanda (2012) menganalisis jalur untuk mengetahui pengaruh lingkungan kerja terhadap kepuasan kerja dan kinerja karyawan di Perum Jasa Tirta I Malang, diperoleh hasil terdapat pengaruh langsung antara lingkungan kerja dan kepuasan kerja terhadap kinerja karyawan, serta lingkungan kerja terhadap kepuasan kerja karyawan. Namun terdapat pengaruh tidak langsung antara lingkungan kerja terhadap kinerja melalui kepuasan kerja karyawan. 10. Dhermawan dkk (2012) melakukan analisis menggunakan metode SEM untuk mengetahui pengaruh motivasi, lingkungan kerja, kompetensi, dan kompensasi terhadap kepuasan kerja dan kinerja pegawai di lingkungan kantor Dinas Pekerjaan Umum Provinsi Bali. Motivasi dan lingkungan kerja berpengaruh tidak signifikan terhadap kepuasan kerja sementara kompetensi dan
kompensasi
berpengaruh
signifikan.
35
Motivasi
dan
kompetensi
berpengaruh tidak signifikan terhadap kinerja pegawai sementara lingkungan kerja, kompensasi, dan kepuasan kerja berpengaruh signifikan. 11. Agusta dan Sutanto (2013) menganalisis pengaruh pelatihan dan motivasi kerja terhadap kinerja karyawan CV Haragon Surabaya. Menggunakan metode analisis regresi linier berganda diperoleh hasil bahwa pelatihan dan motivasi kerja berpengaruh positif dan signifikan terhadap kinerja karyawan. 12. Febriyanti, dkk (2012) melakukan analisis untuk mengetahui pengaruh pelatihan terhadap kompetensi dan kinerja karyawan di PT. Perkebunan Nusantara PG Lestari Nganjuk. Metode yang digunakan adalah analisis jalur, diperoleh hasil analisis bahwa variabel pelatihan memiliki pengaruh langsung yang signifikan terhadap kompetensi karyawan dan kinerja karyawan, serta variabel kompetensi berpengaruh signifikan terhadap kinerja karyawan.
36
BAB 3 METODE PENELITIAN 3.1 Sumber Data Data yang digunakan pada penelitian ini merupakan data sekunder dari hasil survei penelitian kajian kebijakan yang dilakukan di ITS mengenai instrument penilaian kinerja Tenaga Kependidikan yang berjudul “Pengembangan dan Penentuan
Indikator
Remunerasi
berdasarkan
Tenaga
Kependidikan
di
Lingkungan ITS”. Unit analisis yang digunakan adalah sebanyak 100 tenaga kependidikan yang tersebar di berbagai unit kerja di lingkungan ITS. Survei pada penelitian kajian kebijakan tersebut dilakukan dengan membagikan kuesioner kepada sebanyak 100 responden, kuesioner tersebut berisi beberapa item pernyataan yang berhubungan dengan variabel penelitian. Ada 5 alternatif jawaban yang diberikan sesuai dengan skala likert, yaitu: 1= Sangat Tidak Setuju; 2= Tidak Setuju; 3= Kurang Setuju; 4= Setuju; 5= Sangat Setuju. Untuk lebih jelasnya, desain kuesioner penelitian kebijakan disajikan pada Lampiran 1. 3.2 Populasi dan Sampel Berdasarkan sumber data, unit analisis yang digunakan ada sebanyak 100 tenaga kependidikan di lingkungan ITS. Proses perhitungan dan mendapatkan sampling sebanyak 100 tersebut adalah sebagai berikut: 1. Jumlah keseluruhan tenaga kependidikan di lingkungan ITS yang telah menerima remunerasi atau total populasi ada sebanyak 698 orang tenaga kependidikan yang tersebar di 29 unit kerja. 2. Pada 9 unit kerja di ITS hanya terdapat 1 atau 2 orang tenaga kependidikan saja yang telah menerima remunerasi, sehingga pada 9 unit kerja tersebut tidak terlibat dalam proses perhitungan sampel, karena seluruh tenaga kependidikan yang berada di 9 unit tersebut dijadikan sebagai sampel. Rinciannya sebagai berikut:
37
Tabel 3.1 Unit Kerja di ITS yang Tidak Terlibat dalam Perhitungan Sampel
No. 1 2 3 4 5 6 7 8 9
Jumlah Tendik yang Menerima Remunerasi 1 1 2 1 1 1 2 2 2 13
Unit Kerja Badan Pengawas ULP Unit Asrama Unit Fasilitas umum Unit Kesejahteraan Institut Unit Medical Center UPM SOSHUM UPT kearsipan UPT kerjasama dan hubungan Jumlah Total
3. Sisanya terdapat sebanyak 20 unit kerja yang masing-masing memiliki tenaga kependidikan penerima remunerasi cukup banyak, sehingga dilakukan perhitungan sampel dan alokasi proporsi di tiap-tiap unit kerja untuk menentukan sampel yang terpilih. Populasi yang digunakan sebanyak
N 689 13 676 orang tenaga kependidikan. Dengan batas toleransi kesalahan yang ditetapkan sebesar 10% menggunakan rumus Slovin, maka perhitungan samplingnya adalah sebagai berikut:
n
N 676 676 87,11 87 orang 2 2 (1 Nd ) (1 676(0,1) ) (1 6, 76)
Keterangan: n : Jumlah sampel N : Jumlah populasi d : Batas toleransi kesalahan (error tolerance)
Selanjutnya, jumlah sampel yang telah diperoleh sebanyak 87 orang tersebut diproporsikan di tiap unit kerja yang ada di ITS (20 unit kerja). Rumus alokasi proporsi yang digunakan adalah:
nh Keterangan:
Nh n N
nh : Jumlah sampel di setiap unit kerja N h : Jumlah populasi di setiap unit kerja n : Jumlah sampel keseluruhan N : Jumlah populasi keseluruhan d : Batas toleransi kesalahan (error tolerance)
38
Tabel 3.2 Unit Kerja di ITS yang Terlibat Dalam Perhitungan Sampel dan Alokasi Proporsi
No 1 2 3 4 5 6 7 8 9 10
Unit Kerja BAKP BIBV Biro Umum BKSP FMIPA FTI FTIf FTK FTSP LP2KHA
Nh 43 7 39 57 54 135 31 50 108 13
nh 5 1 5 7 7 17 4 6 14 2
No Unit Kerja 11 LPMP2KI 12 LPPM 13 LPTSI 14 Program Pascasarjana 15 Unit Fasilitas Olahraga 16 Unit Percetakan dan Penerbitan 17 UPMB 18 UPT Bahasa dan Budaya 19 UPT KK 20 UPT Perpustakaan Jumlah Total
Nh 4 11 16 19 7 5 5 7 38 35
nh 1 1 2 2 1 1 1 1 5 4 87
Sehingga total keseluruhan sampel yang digunakan dalam penelitian adalah sebanyak 87+13=100 orang tenaga kependidikan di lingkungan ITS. 3.3 Variabel Penelitian
Variabel dalam penelitian ini terdiri atas atas tiga variabel laten eksogen (Motivasi Berprestasi, Karakteristik Lingkungan Kerja, dan Transfer Pelatihan) dan dua variabel laten endogen (Kinerja dan Remunerasi). Masing-masing variabel laten diukur oleh beberapa indikator sebagai berikut: Tabel 3.3 Variabel Laten dan Indikator-indikator Penelitian
KINERJA (η1) Y1.1 : Saya menyelesaikan pekerjaan sesuai dengan SOP yang ditentukan Y1.2 : Saya berusaha untuk lebih teliti dalam menyelesaikan tugas Y1.3 : Saya cakap dalam menguasai bidang pekerjaan yang diberikan kepada saya Y1.4 : Saya berusaha mencapai target yang telah ditentukan Y1.5 : Saya berusaha menyelesaikan pekerjaan dengan tepat waktu Y1.6 : Saya mampu menyelesaikan pekerjaan lebih dari yang diperintahkan atasan. Y1.7 : Saya sangat berantusias dalam menyelesaikan setiap pekerjaan Y1.8 : Saya selalu mengembangkan inisiatif pribadi dalam mendukung pekerjaan yang saya emban. Y1.9 : Dalam bekerja saya mengikuti instruksi yang diberikan atasan Y1.10 : Saya mampu bekerja sama dengan rekan kerja untuk mendukung pekerjaan Y1.11 : Saya bersedia mencurahkan segala kemampuan saya kepada organisasi sampai masa kerja saya berakhir (pensiun) Y1.12 : Saya mampu bekerja secara mandiri dalam menyelesaikan pekerjaan yang menjadi tanggung jawab saya. Y1.13 : Saya taat terhadap semua aturan dan prosedur kerja yang ditetapkan dalam suatu pekerjaan.
39
Lanjutan Tabel 3.3 Variabel Laten dan Indikator-indikator Penelitian
REMUNERASI (η2) Y2.1 : Pemberian remunerasi didasarkan pada beban kerja (grade/peringkat) yang di emban. Y2.2 : Besarnya remunerasi yang saya terima sesuai dengan kinerja yang saya capai. Y2.3 : Untuk pekerjaan dengan beban kerja yang sama walaupun berbeda jabatan diberikan remunerasi yang sama. Y2.4 : Untuk pekerjaan yang membutuhkan pengetahuan, keterampilan serta tanggung jawab yang lebih tinggi maka diberikan remunerasi yang lebih tinggi. Y2.5 : Tunjangan yang diberikan membuat penghasilan saya cukup untuk memenuhi kebutuhan saya. Y2.6 : Tunjangan yang diberikan membuat penghasilan saya dapat meningkatkan kesejahteraan saya. Y2.7 : Tunjangan yang diberikan membuat penghasilan saya setara dengan penghasilan sektor swasta dengan kualifikasi yang sama : Penghasilan yang setara dengan swasta membuat saya betah bekerja sebagai pegawai tenaga kependidikan di ITS. Y2.9 : Dengan adanya remunerasi, saya hanya menerima penghasilan dari gaji pokok dan remunerasi saja Y2.10 : Saya mengetahui bagaimana proses pemotongan remunerasi dilakukan MOTIVASI BERPRESTASI (ξ1) X1.1 : Saya mengerjakan tugas-tugas dengan penuh tanggung jawab X1.2 : Saya berusaha menyelesaikan tugas-tugas yang menuntut tanggung jawab pribadi X1.3 : Saya berusaha mendapatkan tugas yang beresiko, sepanjang resiko itu masih dapat dikendalikan X1.4 : Saya berusaha sekuat tenaga untuk mengatasi setiap kendala yang saya hadapi X1.5 : Saya senantiasa mencari cara baru untuk menyelesaikan tugas seefektif mungkin. X1.6 : Saya tidak menyukai pekerjaan yang sifatnya rutinitas. X1.7 : Menindak lanjuti saran dapat memperlancar tugas-tugas saya. X1.8 : Saya bersedia menginstropeksi diri untuk kemajuan saya. X1.9 : Saya tidak menunda-nunda pekerjaan yang diberikan kepada saya. X1.10 : Saya berusaha menyelesaikan pekerjaan lebih cepat dari yang biasanya. X1.11 : Saya berusaha bekerja keras agar prestasi saya lebih baik dari prestasi teman-teman saya. X1.12 : Saya berusaha bekerja keras agar prestasi saya selalu meningkat tanpa memperhatikan imbalan X1.13 : Saya selalu berusaha meningkatkan kinerja dari waktu ke waktu Y2.8
40
Lanjutan Tabel 3.3 Variabel Laten dan Indikator-indikator Penelitian
KARAKTERISTIK LINGKUNGAN KERJA (ξ2) X2.1 : Saya mencintai pekerjaan saya dalam bidang yang saya tekuni sekarang X2.2 : Tugas-tugas dalam pekerjaan saya tidak membuat saya bosan X2.3 : Tugas-tugas yang harus saya selesaikan relative sesuai dengan kemampuan saya X2.4 : Atasan selalu mengkomunikasikan dengan bawahan segala sesuatu yang berhubungan dengan usaha pencapaian tugas X2.5 : Pekerjaan yang saya tekuni sekarang sesuai dengan minat saya X2.6 X2.7 X2.8 X2.9 X2.10 X2.11 X2.12 X2.13 X2.14 X2.15 X2.16
: Rekan-rekan saya mudah dimintai pertolongan jika saya mempunyai kesulitan dalam pekerjaan : Saya biasa menerima peraturan atau kebijakan yang selama ini diterapkan organisasi dalam hal karier karyawannya : Atasan selalu memberikan penghargaan bila ada karyawan yang menjalankan pekerjaan dengan sangat memuaskan : Saya merasa tidak ada suasana “saling sikut” di kalangan karyawan dimana saya bekerja : Tingkat persaingan antar karyawan di tempat saya bekerja relatif ketat : Saya merasa nyaman bekerja diperusahaan ini : Rekan kerja saya dapat diajak bekerja sama : Saya diberi kewenangan dan keleluasaan didalam pengambilan keputusan : Pekerjaan saya sekarang menyenangkan : Saya merasa bahwa saya bisa berkarier dengan baik di tempat saya bekerja sekarang : Dengan mudah saya dapat menyelesaikan tugas-tugas saya
TRANSFER PELATIHAN (ξ3) X3.1 : Daya nalar saya mengalami peningkatan setelah mengikuti pelatihan. X3.2 : Dengan mengikuti pelatihan, saya lebih mudah memahami tugas – tugas baru yang diberikan X3.3 : Dengan mengikuti pelatihan, saya dapat mengerjakan suatu pekerjaan dengan cara yang lebih mudah. X3.4 : Setalah mengikuti pelatihan, Saya selalu mengerjakan suatu pekerjaan dengan penuh perhitungan X3.5 : Semangat kerja saya meningkat setelah mengikuti pelatihan
41
3.4 Tahapan Analisis Tahapan analisis yang dilakukan dalam mencapai tujuan penelitian adalah sebagai berikut : a. Menyusun model konseptual berbasis teori Menyusun kerangka konseptual yang meliputi outer model dan inner model dilakukan berdasarkan penelitian sebelumnya dan kajian literatur. Gambaran kerangka konseptual model telah disajikan sebelumnya pada Gambar 2.8. Struktur model dalam penelitian ini mencakup lima variabel laten, yang terdiri dari tiga variabel eksogen yaitu motivasi berprestasi ( 1 ), karakteristik lingkungan kerja ( 2 ) dan transfer pelatihan ( 3 ), serta dua variabel endogen yaitu kinerja ( 1 ) dan remunerasi ( 2 ). Diasumsikan bahwa 1 bergantung pada
1 , 2 ,dan 3 dan 2 bergantung pada 1 . Secara matematis dapat dituliskan : 1 f (1 , 2 , 3 ) 2 f (1 ) Fungsi-fungsi tersebut merupakan fungsi linier, dengan penjabaran:
1 111 12 2 13 3 1 2 211 2 Sedangkan rancangan model pengukuran mengacu pada berbagai literatur, untuk variabel laten eksogen 1 yaitu motivasi berprestasi terdiri dari 13 indikator, untuk variabel eksogen karakteristik lingkungan kerja ( 2 ) terdiri dari 16 indikator, sedangkan untuk variabel laten eksogen transfer pelatihan ( 3 ) terdiri dari 5 indikator. Untuk variabel laten endogen kinerja ( 1 ) terdiri dari 13 indikator dan variabel laten endogen remunerasi ( 2 ) terdiri dari 10 indikator. Semua model pengukuran yang digunakan dalam penelitian ini merupakan model dengan indikator reflektif.Mengkonstruksi diagram jalur (path diagram). b. Mengkostruksi Diagram Jalur (Path Diagram) Setelah kerangka konseptual penelitian terbentuk, dimana telah diketahui model pengukuran (outer model) yang memuat indikator-indikator dan model
42
struktural (inner model) yang menjelaskan hubungan antar variabel laten, maka langkah selanjutnya adalah membentuk konstruksi diagram jalur (path diagram) yang disajikan pada Gambar 3.1. δ1.1
X1.1
δ1.2
X1.2
δ1.13
X1.13
δ1
λX1.1 λX1.2
ξ1
γ11
γ1δ1 λY1.1
λX1.13
λY1.2
η1 δ2.1
X2.1
δ2.2
X2.2
δ2.16
X2.16
λX2.2
X3.1
δ3.2
X3.2
δ3.5
X3.5
Y1.2
ε1.2
Y1.13
ε1.13
Y2.1
ε2.1
Y2.2
ε2.2
β21
ξ2
λX2.16
γ13 λY2.1
δ3.1
ε1.1
λY1.13
γ12
λX2.1
Y1.1
λX3.2
λY2.2
η2
λX3.1
λY2.10
ξ3
Y2.10
γ2δ2
ε2.10
λX3.5 δ2
Gambar 3.1 Model Struktural Lengkap
c. Mengkonversi Diagram Jalur ke dalam Sistem Persamaan Berdasarkan Gambar 3.1, selanjutnya dituliskan ke dalam bentuk persamaan matematis yang terdiri atas persamaan model pengukuran (outer model) dan model struktural (inner model) sebagai berikut: 1. Model Pengukuran (outer model) Model pengukuran menggambarkan spesifikasi hubungan antara variabel laten dengan indikator-indikatornya, atau disebut juga dengan measurement model. Kerangka konseptual penelitian menunjukkan model dengan indikator refleksif, sehingga persamaan matematis model pengukuran dengan indikator refleksif adalah:
43
x = Λ xξ + δ y = Λy η + ε
Dengan x dan y masing-masing adalah indikator untuk variabel laten eksogen (ξ) dan endogen (ε ). Sedangkan Λx dan Λy adalah matriks loading yang menggambarkan hubungan variabel laten dengan indikatornya. Residual yang diukur dengan δ dan ε diinterpretasikan sebagai kesalahan pengukuran atau noise. Berdasarkan kerangka konseptual, selanjutnya dikonversi ke dalam persamaan matematis sebagai berikut:
Variabel eksogen 1, ξ1 (Motivasi Berprestasi)
x1.1 x1.11 1.1
x1.6 x1.6 1 1.6
x1.11 x1.111 1.11
x1.2 x1.2 1 1.2
x1.7 x1.7 1 1.7
x1.12 x1.12 1 1.12
x1.3 x1.3 1 1.3
x1.8 x1.8 1 1.8
x1.13 x1.13 1 1.13
x1.4 x1.4 1 1.4
x1.9 x1.9 1 1.9
x1.5 x1.5 1 1.5
x1.10 x1.10 1 1.10
Variabel eksogen 2, ξ2 (Karakteristik Lingkungan Kerja)
x2.1 x2.1 2 2.1
x2.7 x127 2 2.7
x2.13 x2.13 2 2.13
x2.2 x2.2 2 2.2
x2.8 x2.8 2 2.8
x2.14 x2.14 2 2.14
x2.3 x2.3 2 2.3
x2.9 x2.9 2 2.9
x2.15 x2.15 2 2.15
x2.4 x2.4 2 2.4
x2.10 x2.10 2 2.10
x2.16 x2.16 2 2.16
x2.5 x2.5 2 2.5
x2.11 x2.11 2 2.11
x2.6 x2.6 2 2.6
x2.12 x2.12 2 2.12
Variabel eksogen 3, ξ3 (Transfer Pelatihan) x3.1 x3.13 3.1
x3.4 x3.4 3 3.4
x3.2 x3.2 3 3.2
x3.5 x3.5 3 3.5
x3.3 x3.3 3 3.3
Variabel endogen 1, ε 1 (Kinerja)
y1.1 y1.11 1.1
y1.6 y1.61 1.6
y1.11 y1.111 1.11
y1.2 y1.21 1.2
y1.7 y1.71 1.7
y1.12 y1.121 1.12
y1.3 y1.31 1.3
y1.8 y1.81 1.8
y1.13 y1.131 1.13
y1.4 y1.41 1.4
y1.9 y1.91 1.9
y1.5 y1.51 1.5
y1.10 y1.101 1.10 44
Variabel endogen 2, ε 2 (Remunerasi)
y2.1 y2.12 2.1
y2.6 y2.62 2.6
y2.2 y2.22 2.2
y2.7 y2.72 2.7
y2.3 y2.32 2.3
y2.8 y2.82 2.8
y2.4 y2.42 2.4
y2.9 y2.92 2.9
y2.5 y2.52 2.5
y2.10 y2.102 2.10
2. Model Struktural (inner model) Model Struktural menggambarkan spesifikasi hubungan antar variabel laten. Diasumsikan bahwa variabel laten dan indikator adalah pada standarisasi dengan nilai rata-rata sama dengan nol dan standar deviasi sama dengan satu, tanpa menghilangkan sifat umumnya. Sehingga parameter lokasi yaitu parameter konstanta dapat dihilangkan dari model. Model persamaan struktural secara matematis dituliskan sebagai berikut: η = Bη + Γξ + ζ
Dengan η menggambarkan vektor variabel endogen, ξ adalah vektor variabel eksogen, dan ζ adalah vektor residual (unexplained variance). Pada model recursive, hubungan antar variabel laten dituliskan sebagai berikut: I
H
i 1
h 1
j jii jhh j dimana γjh dalam bentuk matriks dilambangkan dengan Γ adalah koefisien jalur yang menghubungkan variabel laten endogen (ε ) dengan variabel laten eksogen (ξ). Sedangkan βji yang dalam bentuk matriks dilambangkan dengan B adalah koefisien jalur yang menghubungkan antar variabel laten endogen (ε ), untuk range indeks i dan j. Parameter δj adalah variabel inner residual. Berdasarkan Gambar 3.1, persamaan struktural secara matematis dituliskan sebagai berikut:
1 111 12 2 133 1 2 211 2
45
Dalam bentuk matriks, dapat ditulis sebagai berikut:
1 1 0 0 1 11 12 13 1 2 2 21 0 2 0 0 0 2 3 d. Estimasi parameter model yang meliputi :
koefisien jalur (path),
loading factor, dan
weight
Estimasi tersebut diperoleh dengan menggunakan 3 skema, yaitu: path, centroid, dan factor e. Evaluasi model pengukuran PLS Untuk model pengukuran indikator reflektif maka evaluasi dilakukan dengan pengujian validitas dan reliabilitas. Pengujian validitas dilakukan dengan melihat nilai loading faktor dari setiap indikator variabel laten. Indikator dikatakan valid jika nilai loading faktor (λ) yang dihasilkan lebih dari 0,5, jika tidak maka indikator tersebut harus dikeluarkan dari analisis. Sedangkan pengujian reliabilititas dilakukan dengan melihat nilai composite reliability dari setiap variabel laten, jika nilai composite reliability > 0,7 maka reliabilitas terpenuhi. f. Evaluasi model struktural PLS Evaluasi model struktural dilakukan dengan melihat nilai R-square (R2) dan Q-Square Predictive Relevance (Q2) yang dihasilkan dari analisis PLS menggunakan skema path, centroid, dan factor. g. Melakukan pengujian hipotesis (resampling bootstrap) Pengujian hipotesis dalam PLS meliputi pengujian terhadap parameter λ yang dihasilkan dari model pengukuran, serta parameter β, dan γ yang diperoleh dari model struktural. Pengujian hipotesis ini dilakukan dengan metode resampling bootstrap. Hipotesis yang diduga dalam penelitian ini adalah:
46
H1: Motivasi berprestasi (1 ) berpengaruh terhadap kinerja (1 ) H2: Karakteristik lingkungan kerja ( 2 ) berpengaruh terhadap kinerja (1 ) H3: Transfer pelatihan (3 ) berpengaruh terhadap kinerja (1 ) H4: Kinerja (1 ) berpengaruh terhadap remunerasi (2 ) h. Interpretasi dan kesimpulan berdasarkan hasil analisis PLS Langkah-langkah analisis tersebut dapat digambarkan dalam flowchart Gambar 3.2 berikut. Data
Menyusun Model Konseptual Berbasis Teori Mengkonstruksi Diagram Jalur (Path Diagram)
Mengkonversi Diagram Jalur ke dalam Sistem Persamaan Estimasi Koefisien Jalur (Path), loading, dan weight
Path Scheme
Centroid Scheme
Mendapatkan Nilai Score Factor pada Masing-masing Variabel Laten
Analisis Pemodelan dan Evaluasi Kebaikan Model PLS Interpretasi dan Kesimpulan Gambar 3.2 Flowchart Metode Analisis
47
Factor Scheme
48
BAB 4 ANALISIS DAN PEMBAHASAN 4.1 Estimasi Score Factor pada Measurement Model dengan Partial Least Square (PLS) Estimasi measurement model dengan pendekatan partial least square (PLS) dilakukan dengan prosedur iterasi, dimana iterasi akan berhenti ketika telah mencapai kondisi yang konvergen. Prosedur iterasi dalam algoritma PLS adalah sebagai berikut: Step 0 : Inisialisasi Outer Weight Pada tahap ini dibuat inisialisasi yaitu menentukan nilai sembarang untuk outer weight. Untuk memudahkan maka bobot seluruh indikator dibuat sama yakni: w jk 1. Indikator di skalakan untuk memiliki unit variance (mean =0, varians=1). Step 1 : Estimasi Model Pengukuran (Outside Approximation) Setelah outer weight di estimasi, selanjutnya dilakukan estimasi model pengukuran yang menggambarkan bahwa variabel laten merupakan penjumlahan dari perkalian bobot dengan indikator sesuai dengan persamaan berikut: Kj
ˆj y j w jk x jk k 1
Step 2 : Penentuan Inner Weight Nilai inisial dari variabel laten telah diperoleh, selanjutnya dilakukan perhitungan ulang variabel laten dengan cara yang berbeda, yaitu variabel laten dianggap sebagai kombinasi linier dari variabel laten lain yang terkait. Notasi persamaannya adalah sebagai berikut:
zj
J
i 1,i j j dihubungkan pada j
49
e ji yi
Dimana z j merupakan variabel laten yang akan di estimasi ulang. Penentuan inner weight diperoleh dari salah satu skema pembobotan yaitu: skema jalur (path), skema sentroid (centroid), dan skema faktor (factor). Skema jalur (path): Variabel laten dihubungkan pada j yang dibagi ke dalam dua grup, yaitu variabel-variabel laten yang menjelaskan j dan diikuti dengan variabel-variabel yang dijelaskan oleh j . Definisinya sebagai berikut: e ji cor y j , yi jika j dijelaskan oleh i yj
J
i 1,i j
e ji yi
koefisien e ji dalam persamaan regresi dari yi pada y j
Skema sentroid (centroid): Bobot inner model e ji merupakan korelasi tanda (sign correlation) antara yi dan y j , ditulis sebagai berikut:
sign cor y j , yi e ji 0
j i yang berhubungan lainnya
Skema faktor (factor): Bobot inner model e ji merupakan korelasi antara yi dan y j , dinotasikan sebagai berikut:
cor y j , yi e ji 0
j i yang berhubungan lainnya
Step 3 : Estimasi Model Struktural (Inside Approximation) Setelah didapatkan inner weight, selanjutnya dilakukan estimasi terhadap model struktural sesuai dengan persamaan sebelumnya, yaitu
zj
J
i 1,i j j dihubungkan pada j
e ji yi
Step 4 : Memperbaruhi Bobot Model Pengukuran (Updating Outer Weight) Proses memperbarui bobot model pengukuran terbagi menjadi dua yaitu untuk indikator reflektif (mode A) dan formatif (mode B).
50
Mode A: Jika arah indikator yang digunakan adalah reflektif, maka menggunakan regresi linier sederhana antara variabel laten yang telah diperoleh sebelumnya pada step 3 sebagai prediktor dan indikator sebagai respon. Dimana metode yang digunakan adalah metode least square dengan cara meminimumkan jumlah kuadrat error e jk , sebagai berikut :
e jk = x jk - w jk z j J
e j=1
2 jk
J
= x jk - w jk z j
2
j=1
Jumlah kuadrat e jk diturunkan terhadap w jk diperoleh hasil sebagai berikut: J
e 2jk j 1
w jk
J
2 x jk w jk z j z j 0 j 1
J
x j 1
jk
w jk z j z j 0
J
J
j 1
j 1
x jk z j w jk z 2j 0 J
J
j 1
j 1
x jk z j w jk z 2j 0 J
J
x j 1
J
jk
z j w jk z w jk j 1
2 j
x j 1 J
z j 1
w jk
jk
zj
2 j
J J E x z x jk z j jk j j 1 Cov x jk , z j z T z j 1 E J j j 2 J 2 z Var 2 j E zj zj j 1 j 1
1
z jT x jk
z j adalah vektor yang berisi data variabel laten ke-j, x jk adalah vektor indikator ke-k variabel laten ke-j, dan w jk adalah outer weight indikator ke-k variabel laten ke-j.
51
Mode B: Pada mode B, vektor w j dari pembobot w jk adalah vektor koefisien regresi berganda dari z j pada indikator x jk yang dihubungkan ke sesama variabel laten ξj: z j = w jx j + ε j ε j = z j - w jx j
Hitung ε jTε j: ε jT ε j
= z j - w jx j
T
z - w x z - w x
= z jT - w jT x jT T
j
j
j
j
ε jTε j w j
T
j
= z j z j - z j w j x j - w j x j z j + w jT w j x jT x j ε jT ε j
T
j
T
= z jT z j - 2w jx jT z j + w jT w jx jT x j
= 0 - 2x jT z j + 2w jx jT x j = 0 -x jT z j + w jx jT x j = 0 x jT z j = w j x jT x j wj =
x jT z j x jT x j
w j = x jT x j
-1
x jT z j
dimana x j adalah matriks dengan kolom yang didefinisikan oleh indikator x jk menghubungkan laten ke-j, serta z j adalah matriks yang berisi data variabel laten ke-j. Step 1 hingga 4 dilakukan secara berulang hingga kondisi konvergen. Jika dalam setiap iterasi terdapat S=1,2,3,… hingga konvergen, penentuan konvergen dapat dilakukan dengan cara jika outer weight pada iterasi ke S dikurangi outer weight pada iterasi ke S-1 bernilai kurang dari 10-5.
52
Estimasi score factor pada measurement model untuk masing-masing skema partial least square berdasarkan algoritma PLS diatas dapat dijelaskan dengan ilustrasi sebagai berikut: Misalkan terdapat tiga variabel laten Y1 , Y2 , dan Y3 dengan masing-masing variabel laten terdiri dari tiga indikator reflektif yang menyusunnya, diilustrasikan pada Gambar 4.1. X11 X12
Y1 X31
X13
Y3
X21 X22
X32 X33
Y2
X23 Gambar 4.1 Ilustrasi Model
Step 0 : Inisialisasi Outer Weight Pada tahap ini dibuat inisialisasi yaitu menentukan nilai sembarang untuk outer weight. Untuk memudahkan maka bobot seluruh indikator dibuat sama yakni: w jk 1. Maka, berdasarkan Gambar 4.1 inisialisasi outer weight adalah:
w1 = ( w11 = 1, w12 = 1, w13 = 1 ) w 2 = ( w21 = 1, w22 = 1, w23 = 1 ) w 3 = ( w31 = 1, w32 = 1, w33 = 1 ) Step 1 : Estimasi Model Pengukuran (Outside Approximation) Variabel laten merupakan penjumlahan dari perkalian bobot dengan indikator sesuai dengan persamaan: Kj
y j = w jk x jk k =1
Sehingga, berdasarkan ilustrasi Gambar 4.1 dapat dituliskan bahwa:
Y1 = w11 X11 + w12 X12 + w13 X13 Y2 = w 21 X21 + w 22 X22 + w 23 X23 Y3 = w 31 X31 + w 32 X32 + w 33 X33
53
Step 2 : Penentuan Inner Weight Pada tahap ini, variabel laten dianggap sebagai kombinasi linier dari variabel laten lain yang terkait. Notasi persamaannya adalah sebagai berikut:
zj
J
i 1,i j j dihubungkan pada j
e ji y i
Penentuan inner weight diperoleh dari salah satu skema pembobotan yaitu: 1) Skema jalur (path): e ji reg y j , y i dimana e ji adalah koefisien regresi 2) Skema sentroid (centroid): e ji sign cor y j , y i 3) Skema faktor (factor): e ji cor y j , y i Step 3 : Estimasi Model Struktural (Inside Approximation) Pada persamaan sebelumnya, dituliskan:
zj
J
e
i 1,i j
ji
yi
Maka untuk masing-masing variabel laten j (dimana j=1,2,3), dapat dituliskan:
z1 = z2 = z3 =
3
e
i=1,i¹j
1i
Yi = e12 Y2 + e13 Y3
3
e
i=1,i¹j
2i
Yi = e 21Y1 + e 23 Y3
3i
Yi = e 31Y1 + e 32 Y2
3
e
i=1,i¹j
Pada step 2 sebelumnya, telah dituliskan bobot inner e ji untuk masing-masing skema PLS, yakni skema jalur (path), sentroid (centroid), dan faktor (factor). Dengan mensubstitusikan masing-masing e ji maka diperoleh: Skema jalur (path):
z1
3
i 1,i j
z2
e1iYi
e12Y2 e13Y3
3
i 1,i j
e2iYi
e21Y1 e23Y3
reg Y1 , Y2 Y2 reg Y1 , Y3 Y3
reg Y2 , Y1 Y1 reg Y2 , Y3 Y3
54
z3
3
i 1,i j
e3iYi
e31Y1 e32Y2
reg Y3 , Y1 Y1 reg Y3 , Y2 Y2
Skema sentroid (centroid):
z1
3
i 1,i j
e1iYi
e12Y2 e13Y3 sign cor Y1 , Y2 Y2 sign cor Y1 , Y3 Y3 z2
3
i 1,i j
e2iYi
e21Y1 e23Y3 sign cor Y2 , Y1 Y1 sign cor Y2 , Y3 Y3 z3
3
i 1,i j
e3iYi
e31Y1 e32Y2 sign cor Y3 , Y1 Y1 sign cor Y3 , Y2 Y2 Skema faktor (factor):
z1
3
i 1,i j
z2
e1iYi
e12Y2 e13Y3
3
i 1,i j
i 1,i j
e2iYi
e21Y1 e23Y3
cor Y1 , Y2 Y2 cor Y1 , Y3 Y3 z3
3
cor Y2 , Y1 Y1 cor Y2 , Y3 Y3 e3iYi
e31Y1 e32Y2
cor Y3 , Y1 Y1 cor Y3 , Y2 Y2
55
Step 4 : Memperbaruhi Bobot Model Pengukuran (Updating Outer Weight) Berdasarkan Gambar 4.1, indikator yang digunakan semuanya adalah reflektif sehingga untuk memperbarui bobot pada model pengukuran menggunakan bobot sesuai mode A, yaitu:
w jk = z jT z j
-1
z jT x jk
Untuk tiga variabel laten j (j=1,2,3) dan masing-masing variabel laten terdiri dari tiga indikator k (k=1,2,3) maka bobot model pengukuran dapat dijabarkan menjadi sebagai berikut:
= z = z
z z
w11 = z1T z1 w12 w13
1 1
T T
-1 -1
1
1
-1
= z = z
z1T X11
w21 = z 2T z 2
z1T X12
w22
z1T X13
w23
2 2
T
z2
T
z2
-1 -1 -1
= z = z
z 2T X 21
w31 = z 3 T z 3
z 2T X 22
w32
z 2 T X 23
w33
3 3
T
z3
T
z3
-1 -1 -1
z 3 T X 31 z 3 T X 32 z 3 T X 33
Substitusikan persamaan z j yang telah diperoleh pada step 3 untuk masingmasing skema PLS.
Bobot skema jalur (path):
w11 = z1T z1
-1
z1T X11
reg Y1 , Y2 Y2 reg Y1 , Y3 Y3
T
reg Y , Y Y 1
w12 = z1T z1
-1
2
2
reg Y , Y Y 1
-1
z1T X12 T
2
1
T
1
2 reg Y1 , Y3 Y3
reg Y1 , Y3 Y3 X 11
reg Y1 , Y2 Y2 reg Y1 , Y3 Y3
w13 = z1T z1
reg Y , Y Y
2
2
reg Y1 , Y3 Y3
2 reg Y1 , Y3 Y3
reg Y , Y Y 1
2
2
1
reg Y1 , Y3 Y3 X 12 T
z1T X13
reg Y1 , Y2 Y2 reg Y1 , Y3 Y3
T
reg Y , Y Y 1
2
2
reg Y , Y Y 1
reg Y1 , Y3 Y3 X 13 T
56
2
1
w21 = z 2 T z 2
-1
z 2T X 21
reg Y , Y Y reg Y , Y Y
reg Y2 , Y1 Y1 reg Y2 , Y3 Y3
T
2
reg Y , Y Y reg Y , Y Y
T
2
w22 = z 2 T z 2
-1
1
1
2
3
3
reg Y , Y Y reg Y , Y Y
T
2
-1
1
1
2
3
3
T
2
-1
1
1
2
3
3
T
3
-1
1
1
3
2
2
-1
3
3
1
1
3
2
1
2
X 31
3
T
3
2
reg Y , Y Y reg Y , Y Y
T
reg Y , Y Y reg Y , Y Y
1
z 3 T X 32
reg Y3 , Y1 Y1 reg Y3 , Y2 Y2
w33 z 3 T z 3
1
1
X 23
3
reg Y , Y Y reg Y , Y Y
X 22
reg Y , Y Y reg Y , Y Y
T
1
z 3T X 31
reg Y3 , Y1 Y1 reg Y3 , Y2 Y2
w32 z 3 T z 3
X 21
2
reg Y , Y Y reg Y , Y Y
3
reg Y , Y Y reg Y , Y Y
T
3
z 2T X 23
reg Y2 , Y1 Y1 reg Y2 , Y3 Y3
w31 z 3 T z 3
2
reg Y2 , Y1 Y1 reg Y2 , Y3 Y3
T
1
z 2T X 22
reg Y2 , Y1 Y1 reg Y2 , Y3 Y3
w23 = z 2 T z 2
1
1
1
1
3
2
2
1
1
3
2
1
2
X 32
z 3 T X 33
reg Y , Y Y reg Y , Y Y
reg Y3 , Y1 Y1 reg Y3 , Y2 Y2
T
3
reg Y , Y Y reg Y , Y Y
T
3
1
1
3
2
2
57
X 33
1
1
3
2
2
1
Bobot skema sentroid (centroid):
w11 z1T z1
-1
z1T X11
sign cor Y1 , Y2 Y2 sign cor Y1 , Y3 Y3
sign cor Y1 , Y2 Y2 sign cor Y1 , Y3 Y3
T
sign cor Y , Y Y sign cor Y , Y Y
T
1
w12 z1T z1
-1
2
2
1
3
X 11
3
z1T X12
sign cor Y1 , Y2 Y2 sign cor Y1 , Y3 Y3
sign cor Y1 , Y2 Y2 sign cor Y1 , Y3 Y3
T
sign cor Y , Y Y sign cor Y , Y Y
T
1
w13 z1T z1
-1
2
2
1
3
z1T X13
sign cor Y1 , Y2 Y2 sign cor Y1 , Y3 Y3
T
sign cor Y , Y Y sign cor Y , Y Y
T
1
-1
2
2
1
3
z 2 T X 21
T
sign cor Y2 , Y1 Y1 sign cor Y2 , Y3 Y3
sign cor Y , Y Y sign cor Y , Y Y
T
2
-1
1
1
2
3
3
T
T
2
-1
X 21
sign cor Y2 , Y1 Y1 sign cor Y2 , Y3 Y3
sign cor Y , Y Y sign cor Y , Y Y
1
z 2 T X 22
sign cor Y2 , Y1 Y1 sign cor Y2 , Y3 Y3
w23 z 2 T z 2
1
X 13
3
sign cor Y2 , Y1 Y1 sign cor Y2 , Y3 Y3
w22 z 2 T z 2
1
X 12
3
sign cor Y1 , Y2 Y2 sign cor Y1 , Y3 Y3
w21 z 2 T z 2
1
1
1
2
3
3
1
X 22
z 2 T X 23
sign cor Y2 , Y1 Y1 sign cor Y2 , Y3 Y3
T
sign cor Y , Y Y sign cor Y , Y Y
sign cor Y2 , Y1 Y1 sign cor Y2 , Y3 Y3
T
2
1
1
2
58
3
3
X 23
1
w31 z 3 T z 3
-1
z 3 T X 31
sign cor Y3 , Y1 Y1 sign cor Y3 , Y2 Y2
T
sign cor Y3 , Y1 Y1 sign cor Y3 , Y2 Y2
sign cor Y , Y Y sign cor Y , Y Y
T
3
w32 z 3 T z 3
-1
1
1
3
2
2
T
sign cor Y3 , Y1 Y1 sign cor Y3 , Y2 Y2
sign cor Y , Y Y sign cor Y , Y Y
T
3
-1
1
1
3
2
2
T
sign cor Y , Y Y sign cor Y , Y Y
X 32
sign cor Y3 , Y1 Y1 sign cor Y3 , Y2 Y2
T
3
1
1
3
2
2
X 33
Bobot skema faktor (factor):
w11 z1T z1
-1
z1T X11
cor Y1 , Y2 Y2 cor Y1 , Y3 Y3 cor Y1 , Y2 Y2 cor Y1 , Y3 Y3 T
cor Y , Y Y 1
w12 z1T z1
-1
2
2
T
z1T X12
T
cor Y , Y Y 1
-1
1
cor Y1 , Y3 Y3 X 11
cor Y1 , Y2 Y2 cor Y1 , Y3 Y3 cor Y1 , Y2 Y2 cor Y1 , Y3 Y3
w13 z1T z1
1
z 3 T X 33
sign cor Y3 , Y1 Y1 sign cor Y3 , Y2 Y2
X 31
z 3 T X 32
sign cor Y3 , Y1 Y1 sign cor Y3 , Y2 Y2
w33 z 3 T z 3
1
2
2
1
cor Y1 , Y3 Y3 X 12 T
z1T X13
cor Y1 , Y2 Y2 cor Y1 , Y3 Y3 cor Y1 , Y2 Y2 cor Y1 , Y3 Y3 T
cor Y , Y Y 1
2
2
cor Y1 , Y3 Y3 X 13 T
59
1
1
w21 z 2 T z 2
-1
z 2T X 21
cor Y2 , Y1 Y1 cor Y2 , Y3 Y3 cor Y2 , Y1 Y1 cor Y2 , Y3 Y3 T
cor Y , Y Y cor Y , Y Y
T
2
w22 z 2 T z 2
-1
1
1
2
3
3
X 21
z 2 T X 22
cor Y2 , Y1 Y1 cor Y2 , Y3 Y3 cor Y2 , Y1 Y1 cor Y2 , Y3 Y3 T
cor Y , Y Y cor Y , Y Y
T
2
w23 z 2 T z 2
-1
1
1
2
3
3
z 2 T X 23
T
cor Y , Y Y cor Y , Y Y
T
2
-1
1
1
2
3
3
cor Y , Y Y cor Y , Y Y
T
3
-1
1
1
3
2
2
z 3 T X 32
T
cor Y , Y Y cor Y , Y Y
T
3
-1
1
X 31
cor Y3 , Y1 Y1 cor Y3 , Y2 Y2 cor Y3 , Y1 Y1 cor Y3 , Y2 Y2
w33 z 3 T z 3
1
z 3T X 31 T
X 23
cor Y3 , Y1 Y1 cor Y3 , Y2 Y2 cor Y3 , Y1 Y1 cor Y3 , Y2 Y2
w32 z 3 T z 3
1
X 22
cor Y2 , Y1 Y1 cor Y2 , Y3 Y3 cor Y2 , Y1 Y1 cor Y2 , Y3 Y3
w31 z 3 T z 3
1
1
1
3
2
2
1
X 32
z 3 T X 33
cor Y3 , Y1 Y1 cor Y3 , Y2 Y2 cor Y3 , Y1 Y1 cor Y3 , Y2 Y2 T
cor Y , Y Y cor Y , Y Y
T
3
1
1
3
2
2
1
X 33
Step 1 hingga 4 dilakukan secara berulang hingga kondisi konvergen, dimana kriteria konvergen adalah sebagai berikut: Setelah diperoleh nilai bobot model pengukuran (outer weight) yang konvergen, selanjutnya nilai score factor variabel laten diestimasi dengan persamaan berikut: Kj
ξˆ j = y j w jk x jk k 1
60
Nilai score factor variabel laten yang diperoleh berdasarkan algoritma PLS dengan skema jalur (path) ditampilkan pada Lampiran 3, sedangkan nilai score factor variabel laten dengan skema sentroid dan faktor disajikan pada Lampiran 4 dan Lampiran 5. 4.2 Karakteristik Responden (Tenaga Kependidikan di Lingkungan ITS) Penelitian mengenai remunerasi ini ditujukan kepada para tenaga kependidikan yang berada di lingkungan Institut Teknologi Sepuluh Nopember (ITS) Surabaya. Untuk itu sebelum dilakukan analisis pemodelan remunerasi tenaga kependidikan di lingkungan ITS dengan partial least square (PLS), ada baiknya jika terlebih dahulu digali informasi mengenai karakteristik responden yang digunakan dalam penelitian. Sebanyak 100 orang tenaga kependidikan di ITS, baik yang berjenis kelamin laki-laki maupun perempuan turut berpartisipasi menjadi responden dalam penelitian ini. Gambar 4.2 menunjukkan persentase responden berdasarkan jenis kelamin. Perempuan 34% Laki-laki 66%
Gambar 4.2 Persentase Responden Berdasarkan Jenis Kelamin
Pada Gambar 4.2 terlihat bahwa dari 100 orang responden, mayoritas tenaga kependidikan yang menjadi responden dalam penelitian ini adalah laki-laki. Selanjutnya, variabel usia, lama kerja di ITS, dan lama kerja di unit kerja yang sekarang dianalisa statistika deskriptif untuk menggambarkan ukuran pemusatan dan penyebaran datanya, disajikan dalam Tabel 4.1. Tabel 4.1 Statistika Deskriptif Usia, Lama Kerja di ITS, dan Lama Kerja di Unit Sekarang
Variabel
Rata-rata 43.842 20.129 12.138
Usia (tahun) Lama Kerja di ITS (tahun) Lama Kerja di Unit Sekarang (tahun)
61
Varians 70.007 95.689 92.899
Maks 58 44 34
Min 25 1 0.5
Tabel 4.1 menjelaskan beberapa informasi diantaranya, rata-rata usia dari sebanyak 100 responden adalah 43,842 tahun dengan varians yang cukup tinggi dan range dari usia responden cukup lebar yakni sebesar 33. Pada variabel lama kerja di ITS, rata-ratanya sebesar 20,129 tahun dengan varians yang tinggi sebesar 95,689 varians yang tinggi ini disebabkan oleh range data yang sangat lebar. Sedangkan untuk variabel lama kerja di unit sekarang memiliki rata-rata sebesar 12,138 artinya tenaga kependidikan yang menjadi responden rata-rata sudah bekerja di unit kerja yang sekarang kurang lebih selama 12 tahun, dengan varians sebesar 92,899 dimana data lama kerja di unit sekarang memiliki range yang lebar, yakni sebesar 33,5. 4.3 Analisis Pemodelan Remunerasi Tenaga Kependidikan di Lingkungan ITS dengan Partial Least Square (PLS) a. Estimasi Parameter Model Untuk memperoleh koefisien parameter model dengan PLS, pada penelitian ini digunakan 3 skema yakni: skema jalur (path scheme), skema sentroid (centroid scheme), dan skema faktor (factor scheme). Digunakan software smartPLS untuk memperoleh nilai koefisien parameter model pengukuran λ, koefisien model struktural β dan γ. Koefisien λ untuk Variabel Eksogen dan Endogen: Tabel 4.2 Koefisien Nilai Loading untuk Variabel Eksogen dan Endogen
Skema jalur (path)
Skema sentroid (centroid)
Skema faktor (factor)
x =0.593
x =0.737
x =0.592
x =0.737
x =0.592
x =0.737
x =0.564
x =0.816
x =0.564
x =0.816
x =0.564
x =0.816
x =0.560
x =0.800
x =0.561
x =0.800
x =0.561
x =0.800
x =0.878
x =0.712
x =0.878
x =0.712
x =0.878
x =0.712
x =0.651
x =0.570
x =0.651
x =0.570
x =0.651
x =0.570
x =0.317
x =0.812
x =0.317
x =0.812
x =0.317
x =0.812
1.1
1.2
1.3
1.4
1.5
1.6
x =0.772 1.7
1.8
1.9
1.10
1.11
1.12
1.13
1.1
1.2
1.3
1.4
1.5
1.6
x =0.772 1.7
62
1.8
1.9
1.10
1.11
1.12
1.13
1.1
1.2
1.3
1.4
1.5
1.6
x =0.772 1.7
1.8
1.9
1.10
1.11
1.12
1.13
Lanjutan Tabel 4.2 Koefisien Nilai Loading untuk Variabel Eksogen dan Endogen
Skema jalur (path)
Skema sentroid (centroid)
Skema faktor (factor)
x =0.815
x =0.699
x =0.815
x =0.699
x =0.815
x =0.699
x =0.689
x =0.360
x =0.689
x =0.360
x =0.689
x =0.360
x =0.719
x =0.746
x =0.719
x =0.745
x =0.719
x =0.745
x =0.640
x =0.608
x =0.640
x =0.608
x =0.640
x =0.607
x =0.630
x =0.589
x =0.630
x =0.589
x =0.630
x =0.590
x =0.639
x =0.755
x =0.639
x =0.755
x =0.639
x =0.755
x =0.707
x =0.822
x =0.707
x =0.822
x =0.708
x =0.822
x =0.505
x =0.739
x =0.506
x =0.739
x =0.506
x =0.739
x =0.866
x =0.758
x =0.866
x =0.758
x =0.866
x =0.758
x =0.827
x =0.725
x =0.827
x =0.726
x =0.827
x =0.726
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
3.1
3.2
2.9
2.10
2.11
2.12
2.13
2.14
2.15
2.16
3.4
3.5
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
3.1
3.2
2.9
2.10
2.11
2.12
2.13
2.14
2.15
2.16
3.4
3.5
x =0.799
x =0.799 y =0.759
y =0.728
y =0.763
y =0.732
y =0.793
y =0.508
y =0.791
y =0.511
y =0.544
y =0.641
y =0.548
y =0.636
y =0.669
y =0.628
y =0.663
y =0.624
y =0.732
y =0.613
y =0.727
y =0.611
y =0.480
y =0.665
y =0.485
y =0.665
1.1
1.2
1.3
1.4
1.5
1.6
1.8
1.9
1.10
1.11
1.12
1.13
1.1
1.2
1.3
1.4
1.5
1.6
1.8
1.9
1.10
1.11
1.12
1.13
y =0.640
y =0.634
y =0.635
y =0.591
y =0.632
y =0.592
y =0.602
y =0.666
y =0.603
y =0.668
y =0.357
y =0.666
y =0.358
y =0.666
y =0.684
y =0.475
y =0.684
y =0.478
y =0.474
y =0.343
y =0.476
y =0.346
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
2.1
2.2
2.3
2.4
2.5
2.3
2.4
2.5
2.6
2.7
2.8
3.1
3.2
2.10
2.11
2.12
2.13
2.14
2.15
2.16
3.4
3.5
x =0.799 y =0.762
y =0.733
y =0.792
y =0.506
y =0.549
y =0.634
y =0.665
y =0.621
y =0.730
y =0.612
y =0.484
y =0.661
1.1
1.2
1.3
1.4
1.5
1.6
1.8
1.9
1.10
1.11
1.12
1.13
y =0.642 1.7
1.7
1.7
2.2
2.9
3.3
3.3
3.3
2.1
2.6
2.7
2.8
2.9
2.10
y =0.634
y =0.591
y =0.603
y =0.667
y =0.358
y =0.665
y =0.683
y =0.478
y =0.474
y =0.345
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
Koefisien β dan γ : Tabel 4.3 Koefisien Parameter β dan γ
Skema jalur (path)
11 0, 641 12 0,162
13 0, 099 21 0,396
Skema sentroid (centroid)
11 0, 631 12 0,170
63
13 0,104 21 0,395
Skema faktor (factor)
11 0, 632 12 0,170
13 0,101 21 0,394
Nilai-nilai tersebut selanjutnya dimasukkan ke dalam persamaan, sehingga persamaan untuk masing-masing skema PLS adalah sebagai berikut: Skema jalur (path)
1 0 1 0, 641 0,162 0, 099 1 1 0 2 0 0 2 2 0,396 0 2 0 3 Skema sentroid (centroid)
1 0 1 0, 631 0,170 0,104 1 1 0 2 0,395 0 0 0 0 2 2 2 3
Skema faktor (factor)
1 0 1 0, 632 0,170 0,101 1 1 0 2 0 0 2 2 0,394 0 2 0 3 b. Evaluasi Model Pengukuran (Outer Model) Evaluasi model pengukuran (outer model) dilakukan untuk setiap skema PLS yang digunakan, yakni skema jalur, skema sentroid, dan skema faktor. Evaluasi model pengukuran untuk indikator refleksif meliputi penilaian validitas dan reliabilitas pada setiap indikator terhadap variabel latennya. 1) Validitas Validitas adalah suatu ukuran yang menggambarkan hubungan korelasi antara skor indikator refleksif dengan variabel latennya. Evaluasinya dimulai dengan melihat indikator validitas yang ditunjukkan oleh nilai loading factor (λ), jika nilai loading (λ) ≥0,5 maka indikator tersebut dikatakan valid, namun jika λ<5 maka indikator dikatakan tidak valid dan harus dihilangkan dari analisis karena hal ini mengindikasikan bahwa indikator tersebut tidak cukup baik digunakan untuk mengukur variabel laten. Diagram jalur persamaan struktural dengan keseluruhan indikator menggunakan skema path, centroid, dan factor ditampilkan pada Lampiran 2 yang memuat koefisien loading factor pada masing-masing jalur indikator
64
dengan variabel latennya. Pada Lampiran 2, masih terdapat nilai loading factor (λ)<0,5 yakni pada indikator x1.6 yang menyusun variabel motivasi berprestasi x2.10 yang menyusun variabel karakteristik lingkungan kerja, y1.6 indikator penyusun variabel kinerja, dan beberapa indikator penyusun variabel remunerasi y2.3 , y2.5 , y2.9 ,dan y2.10 . Nilai loading factor (λ) < 0,5 menunjukkan bahwa indikator tersebut tidak valid dan harus dihilangkan dari analisis karena hal ini mengindikasikan bahwa indikator tersebut tidak cukup baik digunakan untuk mengukur variabel laten. Sehingga untuk selanjutnya indikator-indikator x1.6 , x2.10 , y1.6 , y2.3 , y2.5 , y2.9 ,dan y2.10 tidak digunakan dalam analisis PLS.
Skema jalur (path) Setelah indikator-indikator tidak valid dihilangkan dari analisis, diagram jalur dengan menggunakan skema path ditampilkan Gambar 4.3.
Gambar 4.3 Diagram Jalur Persamaan Struktural dengan Skema Path
Berdasarkan Gambar 4.3, semua nilai loading factor (λ) > 0,5 untuk masing-masing indikator variabel laten motivasi berprestasi, karakteristik lingkungan kerja, transfer pelatihan, kinerja, dan remunerasi. Sehingga
65
dapat dikatakan bahwa semua indikator yang digunakan sangat baik dan valid dalam mengukur variabel laten.
Skema sentroid (centroid) Diagram jalur persamaan struktural dengan menggunakan skema centroid disajikan pada Gambar 4.4.
Gambar 4.4 Diagram Jalur Persamaan Struktural dengan Skema Centroid
Dari Gambar 4.4 terlihat bahwa semua nilai loading factor (λ) untuk masing-masing indikator variabel laten motivasi berprestasi, karakteristik lingkungan kerja, transfer pelatihan, kinerja, dan remunerasi sudah lebih dari 0,5. Sehingga dapat dikatakan bahwa semua indikator yang digunakan sangat baik dan valid dalam mengukur variabel laten.
Skema faktor (factor) Diagram jalur persamaan struktural dengan menggunakan skema factor disajikan pada Gambar 4.5.
66
Gambar 4.5 Diagram Jalur Persamaan Struktural dengan Skema Factor
Berdasarkan Gambar 4.5, tampak bahwa semua nilai loading factor (λ)>0,5
untuk
masing-masing indikator
variabel
laten motivasi
berprestasi, karakteristik lingkungan kerja, transfer pelatihan, kinerja, dan remunerasi. Sehingga dapat dikatakan bahwa semua indikator yang digunakan sangat baik dan valid dalam mengukur variabel laten. 2) Reliabilitas Reliabilitas merupakan suatu nilai koefisien yang menunjukkan tingkat konsistensi data. Suatu penelitian dikatakan reliabel jika terdapat kesamaan data dalam waktu yang berbeda. Suatu ukuran yang menyatakan bahwa variabel dikatakan reliabel jika variabel tersebut memiliki nilai composite reliability yang lebih besar dari 0,7. Hasil output SmartPLS yang meliputi nilai composite reliability (CR) dari masing-masing variabel dengan skema path, centroid, dan factor disajikan pada Tabel 4.4.
67
Tabel 4.4 Nilai Composite Reliability (CR) Masing-masing Variabel Laten
Skema path centroid factor Motivasi Berprestasi 0.9241 0.9241 0.9241 Karakteristik Lingkungan Kerja 0.9315 0.9315 0.9315 Transfer Pelatihan 0.8964 0.8964 0.8963 Kinerja 0.9048 0.9048 0.9047 Remunerasi 0.8145 0.8146 0.8145 Dari Tabel 4.4 terlihat bahwa untuk semua variabel laten memiliki nilai Variabel Laten
composite reliability (CR) yang lebih besar dari 0,7 hal ini menunjukkan bahwa semua indikator yang digunakan untuk mengukur variabel laten adalah reliabel. Berdasarkan kriteria tersebut, maka dapat disimpulkan bahwa model pengukuran sudah baik karena telah memenuhi validitas dan reliabilitas. c. Evaluasi Model Struktural (inner model) Evaluasi model struktural dilakukan untuk melihat hubungan antar konstruk laten yang telah dihipotesiskan sebelumnya dengan melihat hasil estimasi koefisien parameter dan tingkat signifikansinya. Ukuran-ukuran yang dapat digunakan untuk mengevaluasi model struktural (inner model) adalah R-square dan Q- Square Predictive Relevance. Nilai R-square (R2) adalah koefisien determinasi pada konstruk endogen dan koefisien parameter jalur. Sedangkan nilai Q-Square Predictive Relevance (Q2) dapat digunakan untuk validasi kemampuan prediksi model, rumus yang digunakan adalah: Q2 1 (1 R12 )(1 R22 ) Apabila nilai Q2 semakin mendekati nilai 1, maka dapat dikatakan bahwa model struktural fit dengan data atau memiliki prediksi yang relevansi. Nilai R-square (R2) dan Q-Square Predictive Relevance (Q2) dengan skema path, centroid, dan factor ditampilkan pada Tabel 4.5.
68
Tabel 4.5 Nilai R2 dan Q2 Tiap Skema PLS
Ukuran Evaluasi 2 1
R
path
Skema centroid
factor
0,6744
0,6748
0,6769
2 2
R
0,1548 0,1547 0,1528 Q 0,7248 0,7251 0,7262 2 Tabel 4.5 menunjukkan bahwa nilai R untuk konstruk kinerja dengan 2
skema path adalah 0,6744, artinya variasi kinerja yang dapat dijelaskan oleh variabel konstruk motivasi berprestasi, karakteristik lingkungan kerja, dan transfer pelatihan adalah sebesar 67,44 persen, sedangkan 32,56 persen lainnya dijelaskan oleh variabel lain diluar model. Begitu juga untuk variabel konstruk remunerasi, variasi remunerasi yang dapat dijelaskan oleh kinerja adalah sebesar 15,48 persen. Dengan menggunakan skema centroid diperoleh R12 sebesar 0,6748 artinya variasi kinerja yang dapat dijelaskan oleh variabel konstruk motivasi berprestasi, karakteristik lingkungan kerja, dan transfer pelatihan adalah sebesar 67,48 persen dan R22 sebesar 0,1547, artinya variasi remunerasi yang dapat dijelaskan oleh kinerja adalah sebesar 15,47 persen. Sedangkan dengan menggunakan skema factor, variasi kinerja yang dapat dijelaskan oleh variabel konstruk motivasi berprestasi, karakteristik lingkungan kerja, dan transfer pelatihan adalah sebesar 67,69 persen dan variasi remunerasi yang dapat dijelaskan oleh kinerja adalah sebesar 15,28 persen. Dari Tabel 4.5 terlihat bahwa nilai Q2 yang dihasilkan oleh skema factor adalah 0,7262, nilainya lebih besar dibandingkan dengan Q2 skema path maupun centroid. Oleh karena itu, dapat dikatakan bahwa hasil pemodelan remunerasi tenaga kependidikan di ITS dengan PLS menggunakan skema factor memberikan hasil yang lebih baik. d. Pengujian Hipotesis (Resampling Bootstrap) Pengujian hipotesis dalam PLS meliputi pengujian terhadap parameter λ, β, dan γ yang dilakukan dengan metode resampling bootstrap hasil pengembangan
69
dari Geisser dan Stone. Statistik uji yang digunakan dalam PLS adalah t-statistics atau uji t. Pengujian Hipotesis Model Pengukuran (Outer Model) Signifikansi parameter outer model dapat dievaluasi melalui prosedur bootstrapping, pada analisis PLS dengan skema path, centroid, dan factor jumlah replikasi yang digunakan adalah B=50 resampling. Dengan yang digunakan adalah sebagai berikut:
H 0 : i 0 H1 : i 0 Dengan menggunakan tingkat signifikansi α sebesar 5 persen, t-tabel=1,96. Hasil pengujian t-statistics untuk model pengukuran dengan skema path, centroid, dan factor dirangkum pada Tabel 4.6. Tabel 4.6 Hasil Pengujian Variabel Indikator
Variabel Laten Kinerja
(1 )
Remunerasi
(2 )
Indikator Y1.1 Y1.2 Y1.3 Y1.4 Y1.5 Y1.7 Y1.8 Y1.9 Y1.10 Y1.11 Y1.12 Y1.13 Y2.1 Y2.2 Y2.4 Y2.6 Y2.7 Y2.8
Skema Path Skema Centroid Skema Factor Std. Std. Std. Loading t-stat Loading t-stat Loading t-stat Error Error Error 0.748 0.075 10.235 0.757 0.079 9.773 0.754 0.069 11.248 0.772 0.067 11.744 0.766 0.057 13.670 0.770 0.070 11.251 0.537 0.080 6.762 0.551 0.082 6.723 0.539 0.079 6.987 0.667 0.079 8.478 0.664 0.070 9.469 0.652 0.070 9.603 0.743 0.074 9.947 0.722 0.073 9.961 0.738 0.060 12.187 0.602 0.095 6.595 0.625 0.089 7.044 0.631 0.088 7.220 0.713 0.086 8.389 0.726 0.080 9.072 0.716 0.081 9.008 0.533 0.074 7.172 0.530 0.077 6.907 0.534 0.077 6.830 0.647 0.071 9.045 0.617 0.078 8.230 0.633 0.081 7.845 0.627 0.074 8.511 0.619 0.085 7.392 0.626 0.082 7.568 0.620 0.085 7.236 0.612 0.088 6.968 0.613 0.099 6.220 0.688 0.059 11.622 0.685 0.051 13.351 0.683 0.046 14.764 0.694 0.083 8.321 0.663 0.112 6.165 0.701 0.096 7.137 0.554 0.154 3.874 0.531 0.163 3.678 0.533 0.134 4.483 0.677 0.061 11.359 0.673 0.087 7.917 0.676 0.072 9.609 0.607 0.115 5.398 0.608 0.127 4.876 0.583 0.122 5.073 0.595 0.150 4.205 0.588 0.194 3.259 0.565 0.166 3.806 0.614 0.154 4.339 0.612 0.198 3.377 0.605 0.180 3.726
70
Lanjutan Tabel 4.6 Hasil Pengujian Variabel Indikator
Skema Path Skema Centroid Skema Factor Indikator Std Std Std Loading t-stat Loading t-stat Loading t-stat Error Error Error Motivasi X1.1 0.593 0.096 6.238 0.586 0.106 5.649 0.586 0.095 6.330 Berprestasi X1.2 0.571 0.103 5.462 0.561 0.110 5.133 0.568 0.090 6.259 X1.3 0.549 0.064 8.697 0.540 0.063 8.863 0.556 0.071 7.874 (1 ) X1.4 0.869 0.041 21.277 0.869 0.035 25.347 0.868 0.039 22.540 X1.5 0.632 0.107 6.081 0.651 0.111 5.898 0.638 0.110 5.928 X1.7 0.759 0.069 11.163 0.770 0.069 11.285 0.754 0.084 9.173 X1.8 0.733 0.065 11.326 0.739 0.070 10.608 0.729 0.067 10.998 X1.9 0.786 0.071 11.464 0.795 0.084 9.673 0.803 0.057 14.340 X1.10 0.782 0.079 10.109 0.793 0.058 13.638 0.786 0.058 13.769 X1.11 0.692 0.086 8.244 0.689 0.109 6.533 0.701 0.078 9.056 X1.12 0.548 0.091 6.248 0.562 0.148 3.835 0.565 0.102 5.583 X1.13 0.795 0.068 12.009 0.799 0.066 12.295 0.795 0.077 10.606 Karakteristik X2.1 0.806 0.051 15.948 0.807 0.051 15.867 0.806 0.050 16.177 Lingkungan X2.2 0.677 0.105 6.630 0.679 0.095 7.336 0.683 0.101 6.873 X2.3 0.706 0.104 6.959 0.704 0.105 6.915 0.699 0.117 6.162 Kerja ( 2 ) X2.4 0.629 0.111 5.714 0.643 0.132 4.829 0.642 0.128 4.944 X2.5 0.615 0.073 8.606 0.638 0.094 6.720 0.627 0.089 7.049 X2.6 0.627 0.086 7.384 0.627 0.093 6.866 0.621 0.117 5.470 X2.7 0.688 0.101 7.027 0.681 0.084 8.389 0.689 0.107 6.594 X2.8 0.492 0.102 4.957 0.502 0.096 5.292 0.500 0.115 4.393 X2.9 0.704 0.068 10.429 0.693 0.073 9.705 0.688 0.098 7.158 X2.11 0.734 0.066 11.260 0.744 0.071 10.558 0.736 0.083 9.018 X2.12 0.609 0.113 5.390 0.590 0.116 5.232 0.589 0.145 4.169 X2.13 0.545 0.149 3.937 0.557 0.169 3.468 0.548 0.110 5.339 X2.14 0.750 0.052 14.626 0.750 0.045 16.729 0.755 0.043 17.405 X2.15 0.803 0.055 14.873 0.810 0.057 14.457 0.809 0.056 14.547 X2.16 0.714 0.096 7.665 0.712 0.097 7.599 0.730 0.088 8.363 Transfer X3.1 0.841 0.224 3.866 0.873 0.037 23.414 0.868 0.031 28.190 Pelatihan X3.2 0.814 0.126 6.571 0.835 0.073 11.383 0.813 0.066 12.507 X3.3 0.777 0.147 5.448 0.795 0.060 13.351 0.788 0.053 14.979 (3 ) X3.4 0.733 0.109 6.922 0.746 0.079 9.591 0.721 0.091 8.293 X3.5 0.699 0.134 5.412 0.713 0.087 8.320 0.707 0.077 9.365 Variabel Laten
Berdasarkan Tabel 4.6, hasil pengujian dengan menggunakan skema path,
centroid, dan factor diperoleh informasi bahwa semua nilai t-statistics dari masing-masing indikator terhadap variabel latennya lebih besar dari nilai t-tabel, artinya semua indikator valid dan signifikan. Selanjutnya dengan mensubstitusi nilai loading dan standar error pada Tabel 4.6, dapat dibuat persamaan matematis model pengukuran untuk setiap skema PLS yang digunakan. 71
Pengujian Hipotesis Model Struktural (Inner Model) Signifikansi
parameter
inner
model
dievaluasi
melalui
prosedur
bootstrapping, hipotesis yang digunakan untuk pengujian inner model adalah sebagai berikut: 1. Motivasi berprestasi (1 ) terhadap kinerja (1 ) :
H0 : 11 0
vs
H1 : 11 0
2. Karakteristik lingkungan kerja ( 2 ) terhadap kinerja (1 ) :
H0 : 12 0
vs
H2 : 12 0
3. Transfer pelatihan (3 ) terhadap kinerja (1 ) :
H0 : 13 0
vs
H3 : 13 0
4. Kinerja (1 ) terhadap remunerasi (2 ) :
H0 : 21 0
vs
H4 : 21 0
Pengujian terhadap Hipotesis diatas dilakukan dengan cara estimasi resampling bootstrap. Penerapan metode resampling bootstrap memungkinkan berlakunya data terdistribusi bebas (free distribution) yang tidak memerlukan asumsi distribusi normal dan tidak memerlukan jumlah sampel yang besar, sesuai dengan data pada penelitian ini. Pengujian dilakukan dengan membandingkan nilai t-statistics dengan t-tabel (1,96) dengan tingkat signifikansi α sebesar 5 persen. Jika diperoleh nilai t-statistics lebih besar dari t-tabel maka tolak H0, atau parameter model signifikan artinya variabel laten berpengaruh terhadap variabel laten lainnya, namun jika sebaliknya yakni nilai t-statistics kurang dari t-tabel maka gagal tolak H0 yang artinya parameter tidak signifikan atau variabel laten tidak berpengaruh terhadap variabel laten lainnya. Hasil pengolahan estimasi nilai koefisien dan t-statistics resampling bootstrap masing-masing skema PLS (path, centroid, dan factor) untuk beberapa B replikasi yang digunakan yaitu 50, 100, 200, 300, 400, dan 500 disajikan sebagai berikut:
72
Skema jalur (path) Hasil pengolahan estimasi nilai koefisien jalur dan t-statistics resampling bootstrap dengan skema jalur (path) ditampilkan pada Tabel 4.7 dan 4.8. Tabel 4.7 Nilai Koefisien Jalur Hasil Estimasi Resampling Bootstrap dengan Skema Path
Variabel Karakteristik Lingkungan Kerja -> Kinerja Kinerja -> Remunerasi Motivasi Berprestasi -> Kinerja Transfer Pelatihan -> Kinerja
Koefisien Jalur 0.170 0.393 0.638 0.082
Resampling Bootstrap (Koefisien Jalur) 50 100 200 300 400 500 0.178 0.195 0.165 0.181 0.183 0.181 0.414 0.428 0.416 0.417 0.427 0.422 0.619 0.609 0.631 0.618 0.620 0.619 0.089 0.089 0.098 0.098 0.089 0.094
Nilai koefisien jalur yang dihasilkan pada masing-masing replikasi dengan skema path pada Tabel 4.7 menunjukkan nilai yang relatif sama terhadap nilai original sample. Tabel 4.8 Nilai t-statistics Hasil Estimasi Resampling Bootstrap dengan Skema Path
Variabel Karakteristik Lingkungan Kerja -> Kinerja Kinerja -> Remunerasi Motivasi Berprestasi -> Kinerja Transfer Pelatihan -> Kinerja
50 1.847 4.400 5.767 1.138
Resampling Bootstrap (t-statistics) 100 200 300 400 1.693 1.823 1.751 1.760 4.077 3.993 4.289 3.848 5.844 6.044 5.771 5.922 1.242 1.365 1.290 1.184
500 1.836 3.739 6.021 1.215
Dari Tabel 4.8, nilai t-statistics pada replikasi B=50 memiliki nilai yang lebih besar pada sebagian besar hubungan kausalitas dibandingkan dengan replikasi lainnya, sehingga untuk skema path replikasi B=50 adalah yang terbaik dan digunakan dalam analisis selanjutnya. Hasil pengujian t-statistics resampling bootstrap dengan skema jalur (path) menggunakan B=50 ditampilkan pada Tabel 4.9. Tabel 4.9 Pengujian t-statistics Resampling Bootstrap dengan Skema Path
Variabel Motivasi Berprestasi -> Kinerja K. Lingkungan Kerja -> Kinerja Transfer Pelatihan -> Kinerja Kinerja -> Remunerasi
Original Sample (O) 0.6379 0.1698 0.0823 0.3934
Keterangan tanda (*) : Signifikan pada α=0,05
Sample Mean (M) 0.6189 0.1776 0.0893 0.4142
Standard Deviation (STDEV) 0.1106 0.0919 0.0723 0.0894
Standard Error (STERR) 0.1106 0.0919 0.0723 0.0894
Pengaruh hubungan antar variabel laten hasil analisis dengan skema path berdasarkan Tabel 4.9 dijelaskan sebagai berikut:
73
T Statistics (|O/STERR|) 5.7670* 1.8472 1.1376 4.4005*
H1: Motivasi berprestasi berpengaruh terhadap kinerja Nilai t-statistics 5,7670, lebih besar dari t-tabel 1,96 (signifikan), artinya motivasi berprestasi memberikan pengaruh positif terhadap kinerja dan besarnya pengaruh adalah 0,6379. H2: Karakteristik lingkungan kerja berpengaruh terhadap kinerja Nilai t-statistics 1,8472, kurang dari t-tabel 1,96 (tidak signifikan), artinya karakteristik lingkungan kerja memberikan pengaruh terhadap kinerja sebesar 0,1698 tetapi tidak signifikan. H3: Transfer pelatihan berpengaruh terhadap kinerja Nilai t-statistics 1,1376, kurang dari t-tabel 1,96 (tidak signifikan), artinya transfer pelatihan memberikan pengaruh terhadap kinerja sebesar 0,0823 tetapi tidak signifikan. H4: Kinerja berpengaruh terhadap remunerasi Nilai t-statistics 4,4005, lebih besar dari t-tabel 1,96 (signifikan), artinya kinerja memberikan pengaruh positif terhadap remunerasi dan besarnya pengaruh adalah 0,3934. Secara matematis model struktural dari analisis PLS dengan skema path dituliskan sebagai berikut:
1 0, 63791 0,16982 0, 08233 1 2 0,39341 2 Interpretasi model:
Kinerja (1 ) dipengaruhi oleh motivasi berprestasi (1 ) sebesar 0,6379 (signifikan), karakteristik lingkungan kerja ( 2 ) sebesar 0,1698 namun tidak signifikan, dan transfer pelatihan (3 ) sebesar 0,0823 namun tidak signifikan. Artinya, jika motivasi berprestasi tenaga kependidikan di ITS meningkat maka kinerja juga meningkat.
Remunerasi (2 ) dipengaruhi oleh Kinerja (1 ) sebesar 0,3934 dan signifikan, artinya jika kinerja tenaga kependidikan di ITS meningkat maka remunerasi yang diperoleh juga akan meningkat.
74
Skema sentroid (centroid) Hasil estimasi nilai koefisien jalur dan t-statistics resampling bootstrap dengan skema sentroid (centroid) ditampilkan pada Tabel 4.10 dan 4.11. Tabel 4.10 Nilai Koefisien Jalur Hasil Estimasi Resampling Bootstrap Skema Centroid
Resampling Bootstrap (Koefisien Jalur)
Koefisien
Variabel
Jalur
50
100
200
300
400
500
Karakteristik Lingkungan Kerja -> Kinerja
0.179
0.197 0.196 0.202 0.200 0.196 0.189
Kinerja -> Remunerasi
0.393
0.437 0.433 0.423 0.420 0.428 0.425
Motivasi Berprestasi -> Kinerja
0.627
0.619 0.603 0.601 0.602 0.603 0.609
Transfer Pelatihan -> Kinerja
0.086
0.078 0.105 0.097 0.094 0.098 0.100
Nilai koefisien jalur untuk masing-masing replikasi dengan skema centroid pada Tabel 4.10 menunjukkan nilai yang relatif sama terhadap nilai original sample. Tabel 4.11 Nilai t-statistics Hasil Estimasi Resampling Bootstrap dengan Skema Centroid
Resampling Bootstrap (t-statistics)
Variabel
50
100
200
300
400
500
Karakteristik Lingkungan Kerja -> Kinerja
2.164
1.947
1.969
2.058
1.924
1.926
Kinerja -> Remunerasi
4.182
4.181
3.872
3.906
4.176
3.923
Motivasi Berprestasi -> Kinerja
6.025
6.132
6.197
6.193
5.627
5.646
Transfer Pelatihan -> Kinerja
1.154
1.350
1.395
1.334
1.378
1.375
Berdasarkan Tabel 4.11, nilai t-statistics pada replikasi B=50 memiliki nilai yang lebih besar pada sebagian besar hubungan kausalitas dibandingkan dengan replikasi lainnya, sehingga untuk skema centroid replikasi B=50 adalah yang terbaik dan digunakan dalam analisis selanjutnya. Hasil pengujian t-statistics resampling bootstrap dengan skema sentroid (centroid) menggunakan B=50 ditampilkan pada Tabel 4.12. Tabel 4.12 Pengujian t-statistics Resampling Bootstrap dengan Skema Centroid
Variabel Motivasi Berprestasi -> Kinerja K. Lingkungan Kerja -> Kinerja Transfer Pelatihan -> Kinerja Kinerja -> Remunerasi
Original Sample (O) 0.6275 0.1795 0.0861 0.3933
Keterangan tanda (*) : Signifikan pada α=0,05
75
Sample Mean (M) 0.6185 0.1970 0.0779 0.4374
Standard Deviation (STDEV) 0.1042 0.0829 0.0746 0.0941
Standard Error (STERR) 0.1042 0.0829 0.0746 0.0941
T Statistics (|O/STERR|) 6.0247* 2.1637* 1.1540 4.1817*
Berdasarkan Tabel 4.12, pengaruh hubungan antar variabel laten hasil analisis dengan skema centroid dijelaskan sebagai berikut: H1: Motivasi berprestasi berpengaruh terhadap kinerja Nilai t-statistics 6,0247, lebih besar dari t-tabel 1,96 (signifikan), artinya motivasi berprestasi memberikan pengaruh positif terhadap kinerja dan besarnya pengaruh adalah 0,6275. H2: Karakteristik lingkungan kerja berpengaruh terhadap kinerja Nilai t-statistics 2,1637, lebih besar dari t-tabel 1,96 (signifikan), artinya karakteristik lingkungan kerja memberikan pengaruh positif terhadap kinerja sebesar 0,1795. H3: Transfer pelatihan berpengaruh terhadap kinerja Nilai t-statistics 1,1540, kurang dari t-tabel 1,96 (tidak signifikan), artinya transfer pelatihan memberikan pengaruh terhadap kinerja sebesar 0,0861 tetapi tidak signifikan. H4: Kinerja berpengaruh terhadap remunerasi Nilai t-statistics 4,1817, lebih besar dari t-tabel 1,96 (signifikan), artinya kinerja memberikan pengaruh positif terhadap remunerasi dan besarnya pengaruh adalah 0,3933. Secara matematis model struktural dari analisis PLS dengan skema centroid dituliskan sebagai berikut:
1 0, 62751 0,17952 0, 08613 1 2 0,39331 2 Interpretasi model:
Kinerja (1 ) dipengaruhi oleh motivasi berprestasi (1 ) sebesar 0,6275 (signifikan), karakteristik lingkungan kerja ( 2 ) sebesar 0,1795 (signifikan), dan transfer pelatihan (3 ) sebesar 0,0861 namun tidak signifikan. Artinya, jika motivasi berprestasi tenaga kependidikan di ITS meningkat satu satuan dengan asumsi karakteristik lingkungan kerja tetap, maka kinerja juga meningkat sebesar 0,6275. Selain itu, jika karakteristik lingkungan kerja di ITS meningkat satu satuan dengan
76
asumsi motivasi berprestasi tetap, maka kinerja juga meningkat sebesar 0,1795.
Remunerasi (2 ) dipengaruhi oleh Kinerja (1 ) sebesar 0,3933 dan signifikan, artinya jika kinerja tenaga kependidikan di ITS meningkat maka remunerasi yang diperoleh juga akan meningkat.
Skema faktor (factor) Hasil estimasi nilai koefisien jalur dan t-statistics resampling bootstrap dengan skema faktor ditampilkan pada Tabel 4.13 dan 4.14. Tabel 4.13 Nilai Koefisien Jalur Hasil Estimasi Resampling Bootstrap dengan Skema Factor
Resampling Bootstrap (Koefisien Jalur)
Koefisien
Variabel
Jalur
50
100
200
300
400
500
Karakteristik Lingkungan Kerja -> Kinerja
0.180
0.205 0.202 0.202 0.197 0.190 0.196
Kinerja -> Remunerasi
0.391
0.427 0.415 0.417 0.429 0.421 0.425
Motivasi Berprestasi -> Kinerja
0.630
0.596 0.593 0.602 0.611 0.620 0.611
Transfer Pelatihan -> Kinerja
0.084
0.094 0.106 0.095 0.096 0.091 0.097
Tabel 4.14 Nilai t-statistics Hasil Estimasi Resampling Bootstrap dengan Skema Factor
Resampling Bootstrap (t-statistics)
Variabel
50
100
200
300
400
500
Karakteristik Lingkungan Kerja -> Kinerja
2.199
1.949
1.924
2.167
1.943
1.974
Kinerja -> Remunerasi
4.801
4.021
3.992
3.658
3.532
3.543
Motivasi Berprestasi -> Kinerja
6.607
5.935
6.151
6.412
5.989
5.884
Transfer Pelatihan -> Kinerja
1.328
1.170
1.261
1.233
1.307
1.289
Berdasarkan Tabel 4.13, nilai koefisien jalur untuk masing-masing replikasi dengan skema factor menunjukkan nilai yang relatif sama terhadap nilai original sample.Selanjutnya pada Tabel 4.14, nilai t-statistics pada replikasi B=50 memiliki nilai yang lebih besar pada sebagian besar hubungan kausalitas dibandingkan dengan replikasi lainnya, sehingga untuk skema factor replikasi B=50 adalah yang terbaik dan digunakan dalam analisis selanjutnya. Hasil pengujian t-statistics resampling bootstrap dengan skema faktor (factor) menggunakan B=50 ditampilkan pada Tabel 4.15. 77
Tabel 4.15 Pengujian t-statistics Resampling Bootstrap dengan Skema Factor
Variabel
Original Sample (O)
Sample Mean (M)
Standard Deviation (STDEV)
Standard Error (STERR)
T Statistics (|O/STERR|)
Motivasi Berprestasi -> Kinerja K. Lingkungan Kerja -> Kinerja Transfer Pelatihan -> Kinerja Kinerja -> Remunerasi
0.6296 0.1795 0.0843 0.3909
0.5959 0.2045 0.0936 0.4272
0.0953 0.0816 0.0635 0.0814
0.0953 0.0816 0.0635 0.0814
6.6075* 2.1990* 1.3277 4.8010*
Keterangan tanda (*) : Signifikan pada α=0,05
Berdasarkan Tabel 4.15, pengaruh hubungan antar variabel laten hasil analisis dengan skema factor dijelaskan sebagai berikut: H1: Motivasi berprestasi berpengaruh terhadap kinerja Nilai t-statistics 6,6075, lebih besar dari t-tabel 1,96 (signifikan), artinya motivasi berprestasi memberikan pengaruh positif terhadap kinerja dan besarnya pengaruh adalah 0,6296. H2: Karakteristik lingkungan kerja berpengaruh terhadap kinerja Nilai t-statistics 2,1990, lebih besar dari t-tabel 1,96 (signifikan), artinya karakteristik lingkungan kerja memberikan pengaruh positif terhadap kinerja sebesar 0,1795. H3: Transfer pelatihan berpengaruh terhadap kinerja Nilai t-statistics 1,3277, kurang dari t-tabel 1,96 (tidak signifikan), artinya transfer pelatihan memberikan pengaruh terhadap kinerja sebesar 0,0843 tetapi tidak signifikan. H4: Kinerja berpengaruh terhadap remunerasi Nilai t-statistics 4,8010, lebih besar dari t-tabel 1,96 (signifikan), artinya kinerja memberikan pengaruh positif terhadap remunerasi dan besarnya pengaruh adalah 0,3909. Secara matematis model struktural dari analisis PLS dengan skema factor dituliskan sebagai berikut:
1 0, 62961 0,17952 0, 08433 1 2 0,39091 2
78
Interpretasi model:
Kinerja (1 ) dipengaruhi oleh motivasi berprestasi (1 ) sebesar 0,6296 (signifikan), karakteristik lingkungan kerja ( 2 ) sebesar 0,1795 (signifikan), dan transfer pelatihan (3 ) sebesar 0,0843 namun tidak signifikan. Artinya, jika motivasi berprestasi tenaga kependidikan di ITS meningkat satu satuan dengan asumsi karakteristik lingkungan kerja tetap, maka kinerja juga meningkat sebesar 0,6296. Selain itu, jika karakteristik lingkungan kerja di ITS meningkat satu satuan dengan asumsi motivasi berprestasi tetap, maka kinerja juga meningkat sebesar 0,1795.
Remunerasi (2 ) dipengaruhi oleh Kinerja (1 ) sebesar 0,3909 dan signifikan, artinya jika kinerja tenaga kependidikan di ITS meningkat maka remunerasi yang diperoleh juga akan meningkat.
79
80
BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil analisis dan pembahasan,dapat disimpulkan beberapa hal sebagai berikut: 1. Estimasi score factor menggunakan pendekatan Partial Least Square (PLS) Kj
adalah ˆj y j w jk x jk dengan bobot model pengukuran untuk indikator k 1
reflektif adalah w jk z jT z j z j T x jk dimana z j 1
J
i 1,i j
e ji yi . Bobot e ji dapat
dipilih menggunakan skema jalur (path), sentroid (centroid), dan faktor (factor). 2. Pemodelan kasus remunerasi tenaga kependidikan di lingkungan ITS dengan pendekatan Partial Least Square (PLS) diperoleh hasil bahwa model pengukuran dengan 12 indikator motivasi berprestasi (1 ) , 15 indikator karakteristik lingkungan kerja ( 2 ) , 5 indikator transfer pelatihan (3 ) , 12 indikator kinerja (1 ) , dan 6 indikator remunerasi (2 ) telah memenuhi kriteria penilaian validitas dan reliabilitas dan model struktural terbaik adalah yang dihasilkan oleh skema faktor dengan nilai Q-Square tertinggi dibandingkan skema jalur dan sentroid, yakni sebesar 0,7262. Dengan skema factor, variasi kinerja yang dapat dijelaskan oleh variabel konstruk motivasi berprestasi, karakteristik lingkungan kerja, dan transfer pelatihan adalah sebesar 67,69 persen, sisanya dijelaskan oleh variabel lain diluar model dan variasi remunerasi yang dapat dijelaskan oleh kinerja adalah sebesar 15,28 persen, sisanya dijelaskan oleh variabel lain diluar model. Model struktural dengan skema faktor menggunakan pendekatan PLS adalah:
1 0, 62961 0,17952 0, 08433 1 2 0,39091 2
81
5.2 Saran Saran yang dapat diberikan berdasarkan hasil analisis penelitian ini adalah: 1. Dalam kasus ini, pemodelan PLS terbaik adalah yang dihasilkan oleh skema faktor, namun untuk kasus lain belum tentu metode ini adalah yang terbaik. Untuk itu, sebaiknya perlu dilakukan studi simulasi dengan menggunakan ketiga skema PLS, yakni skema jalur (path), sentroid, dan faktor untuk mengetahui karakteristik yang membedakan diantara ketiganya. 2. Bagi pihak ITS, diharapkan untuk dapat mengadakan berbagai kegiatan yang dapat meningkatkan motivasi para tenaga kependidikan untuk selalu memperbaiki kinerja dan menciptakan lingkungan kerja yang nyaman dan menyenangkan agar hasil kinerja tenaga kependidikan di ITS menjadi lebih baik.
82
Lampiran 1. Desain Kuesioner Penelitian Kajian Kebijakan
89
90
91
92
Lampiran 2. Diagram Jalur Persamaan Struktural Seluruh Indikator Skema Path:
Skema Centroid:
93
Skema Factor:
94
Lampiran 3. Output SmartPLS dengan Skema Jalur (Path) Overview Karakteristik Lingkungan Kerja Kinerja Motivasi Berprestasi Remunerasi Transfer Pelatihan
AVE
Composite Reliability
0.479302 0.445264
0.931532 0.90478
0.509614 0.423279
0.924122 0.814496
0.634613
0.896352
Latent Variable Correlations Karakteristik Lingkungan Kinerja Kerja Karakteristik Lingkungan Kerja 1 Kinerja 0.722579 1 Motivasi Berprestasi 0.815494 0.81095 Remunerasi 0.431953 0.393449 Transfer Pelatihan 0.396087 0.41774 Total Effects
Karakteristik Lingkungan Kerja Kinerja Motivasi Berprestasi Remunerasi Transfer Pelatihan
Karakteristik Lingkungan Kerja
Kinerja
Cronbachs Alpha
Communality
Redundancy
0.674357
0.92083 0.884865
0.479302 0.445264
0.095373
0.154802
0.908822 0.74695
0.509614 0.423278
0.053015
0.856383
0.634613
R Square
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
1 0.386726
1
0.420465
0.191951
1
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
0.169797
0.066806 0.393449
0.637888
0.250976
0.082276
0.032371
95
Cross Loadings Karakteristik Lingkungan Kerja X1.1 0.496482 X1.10 0.713264 X1.11 0.562623 X1.12 0.421834 X1.13 0.641524 X1.2 0.477866 X1.3 0.490915 X1.4 0.760343 X1.5 0.501028 X1.7 0.591864 X1.8 0.535051 X1.9 0.698973 X2.1 0.814473 X2.11 0.746314 X2.12 0.606381 X2.13 0.586928 X2.14 0.757114 X2.15 0.820701 X2.16 0.739026 X2.2 0.693967 X2.3 0.72292 X2.4 0.63488 X2.5 0.628647 X2.6 0.637673 X2.7 0.708699 X2.8 0.506054 X2.9 0.704717 X3.1 0.439161 X3.2 0.245166 X3.3 0.212719 X3.4 0.340054 X3.5 0.295649 Y1.1 0.709833 Y1.10 0.385863 Y1.11 0.337649 Y1.12 0.394796 Y1.13 0.479809 Y1.2 0.602205 Y1.3 0.369692 Y1.4 0.485694 Y1.5 0.466633 Y1.7 0.567891 Y1.8 0.562555 Y1.9 0.269546 Y2.1 0.38478 Y2.2 0.215486 Y2.4 0.243456 Y2.6 0.208939 Y2.7 0.278313 Y2.8 0.275565
Kinerja 0.570319 0.61824 0.549999 0.390483 0.651414 0.472414 0.392258 0.703635 0.535631 0.628866 0.61057 0.699275 0.60483 0.541533 0.440264 0.387632 0.53434 0.580047 0.576823 0.470382 0.595657 0.47472 0.432651 0.373752 0.594534 0.238256 0.462357 0.442675 0.266101 0.3338 0.294059 0.273511 0.76623 0.64595 0.631298 0.613695 0.68607 0.783296 0.54416 0.673427 0.733215 0.623666 0.724219 0.527954 0.400592 0.164306 0.252347 0.214484 0.164914 0.176836
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
0.600594 0.796192 0.709151 0.568034 0.813551 0.563022 0.554805 0.877678 0.65313 0.774063 0.741746 0.81379 0.668917 0.632991 0.493658 0.552739 0.579356 0.626061 0.613836 0.554644 0.67595 0.513782 0.485552 0.505502 0.597963 0.310525 0.531136 0.394599 0.270262 0.378786 0.309974 0.288127 0.614836 0.559325 0.485291 0.531145 0.510497 0.658662 0.377161 0.547074 0.576459 0.585029 0.637679 0.284909 0.381185 0.129919 0.201109 0.189616 0.230902 0.26013
0.139917 0.23529 0.168695 0.23524 0.290059 0.319698 0.291334 0.33856 0.355819 0.336259 0.327296 0.292775 0.338715 0.348446 0.244215 0.231523 0.276638 0.317487 0.178052 0.211619 0.268063 0.532655 0.29808 0.370144 0.32283 0.309035 0.31895 0.176429 0.239199 0.173454 0.126819 0.040015 0.406981 0.315273 0.330162 0.185265 0.359292 0.314702 0.137513 0.273695 0.197671 0.138488 0.191077 0.238773 0.688602 0.598541 0.690679 0.620235 0.630307 0.669503
0.17317 0.473423 0.439384 0.36883 0.262412 0.190586 0.456023 0.460501 0.217711 0.174159 0.156968 0.303968 0.289275 0.290382 0.163255 0.39305 0.203007 0.2977 0.412927 0.138084 0.216893 0.375058 0.276207 0.377537 0.233286 0.233946 0.282763 0.867519 0.830306 0.798863 0.753499 0.724655 0.362553 0.234756 0.294541 0.285696 0.300275 0.279424 0.224086 0.173512 0.185449 0.364235 0.372096 0.248988 0.060688 0.040185 0.167712 0.19307 0.27883 0.072763
96
Outer Model (Weights or Loadings) Karakteristik Motivasi Lingkungan Kinerja Berprestasi Kerja X1.1 0.600594 X1.10 0.796192 X1.11 0.709151 X1.12 0.568034 X1.13 0.813551 X1.2 0.563022 X1.3 0.554805 X1.4 0.877678 X1.5 0.65313 X1.7 0.774063 X1.8 0.741746 X1.9 0.81379 X2.1 0.814473 X2.11 0.746314 X2.12 0.606381 X2.13 0.586928 X2.14 0.757114 X2.15 0.820701 X2.16 0.739026 X2.2 0.693967 X2.3 0.72292 X2.4 0.63488 X2.5 0.628647 X2.6 0.637673 X2.7 0.708699 X2.8 0.506054 X2.9 0.704717 X3.1 X3.2 X3.3 X3.4 X3.5 Y1.1 0.76623 Y1.10 0.64595 Y1.11 0.631298 Y1.12 0.613695 Y1.13 0.68607 Y1.2 0.783296 Y1.3 0.54416 Y1.4 0.673427 Y1.5 0.733215 Y1.7 0.623666 Y1.8 0.724219 Y1.9 0.527954 Y2.1 Y2.2 Y2.4 Y2.6 Y2.7 Y2.8
97
Remunerasi
Transfer Pelatihan
0.867519 0.830306 0.798863 0.753499 0.724655
0.688602 0.598541 0.690679 0.620235 0.630307 0.669503
Path Coefficients Karakteristik Lingkungan Kerja Karakteristik Lingkungan Kerja Kinerja Motivasi Berprestasi Remunerasi Transfer Pelatihan
Kinerja
0.169797
Remunerasi
Transfer Pelatihan
0.393449
0.637888 0.082276
Latent Variable Scores Karakteristik Lingkungan Kerja 1.8908 -0.07047 -0.32948 0.908719 0.387133 0.387133 0.034921 0.946367 0.003663 -0.362989 0.090307 -0.932908 -0.347873 -0.060012 -0.060095 -1.092682 -1.092682 0.090307 -0.075162 -0.004625 -0.019775 -0.142678 -0.549471 -0.108877 -0.120365 0.423106 0.997582 -0.099641 0.151412 0.216121 0.090307 0.090307 0.379309 1.418372 -0.154456 -0.530714 0.313607 -0.631213 0.878708 -0.342135 0.94937 -0.06933
Motivasi Berprestasi
Kinerja 1.939259 0.177587 -0.000329 1.214192 0.782084 0.782084 -0.494642 -0.197904 -0.28505 0.052351 -0.494642 -0.494642 1.027067 -0.494642 -0.805565 -0.615116 -0.852754 0.285024 -0.494642 -0.20962 -0.494642 -0.239614 0.702426 1.628034 -0.005342 0.41527 -0.06113 -0.706106 -0.494642 0.101245 -0.494642 -0.85295 -0.609905 1.518204 -0.068487 0.514831 0.953932 -0.149371 0.058682 -0.408919 1.547728 -0.48982
Motivasi Berprestasi 1.761791 0.051594 -0.180154 0.051402 0.187564 0.187564 -0.238455 -0.483103 -0.603738 -0.032088 -0.238455 -0.238455 1.307868 -0.337018 -0.238455 -1.049353 -1.266766 0.093858 -0.261289 -0.238455 -0.024992 -0.346984 0.052976 -0.501049 -0.238455 0.496373 0.89371 -0.931256 -0.428414 -0.337018 -0.337018 -0.428414 -0.337018 1.633535 1.211544 -0.11819 0.542443 0.184943 0.597701 -0.028693 0.938619 0.096584
98
Remunerasi 0.753998 1.34391 -0.487275 -0.924284 0.209283 0.209283 0.15169 -0.264499 0.337185 0.087879 -0.079004 -0.079004 0.11611 -0.724809 -0.449994 -0.079004 -0.079004 -0.638477 -0.436522 0.531222 -0.079004 -0.854412 0.984691 -0.085845 -0.487275 0.417456 1.407721 -0.814144 -0.809213 -0.079004 -0.502034 -1.694254 1.156714 0.166449 -0.079004 -1.104342 1.407721 0.57472 -0.667839 -0.227219 1.506884 0.122951
Transfer Pelatihan 1.32874 -0.02096 -0.211641 -0.035688 -0.02096 -0.02096 -0.02096 -0.50094 -0.02096 -0.02096 -0.02096 -0.02096 0.988204 0.334304 -0.02096 -0.676893 -0.676893 -0.02096 -0.356291 -0.02096 0.45902 0.334304 -0.02096 -0.02096 -0.02096 -0.02096 0.779623 -2.041321 -0.02096 1.999401 -0.02096 -0.356291 -0.02096 1.999401 1.134886 1.134886 -0.02096 -0.145676 0.299643 -0.691621 -0.02096 -0.341563
0.034921 -0.015084 1.627104 0.216121 1.356317 -0.617176 1.284326 0.279032 0.482333 -0.519248 -1.838533 0.319378 0.535346 1.513737 -0.032342 0.547913 0.090307 -0.182661 0.212672 0.310218 0.416006 0.090307 -0.774569 -0.849961 -0.054328 0.154401 -0.396769 -0.31034 1.079269 -0.443439 0.440239 -0.262737 1.481256 0.012403 -4.381221 -4.720215 -3.024781 0.596776 0.090307 0.697117 0.786404 -1.445485 0.416257 -0.755717 0.666444 -1.776518 -0.188274 0.115536 -0.392644 0.624704 -0.558196 -0.353848 -0.052901 0.096025 0.979257 1.040362 1.863083 0.041186
-0.05818 -0.05818 -0.379005 -0.560899 1.939259 -0.494642 0.127554 -0.507098 1.135704 -0.901979 -0.29872 -0.494642 1.736413 1.08657 -0.338878 0.546731 -0.494642 0.860985 0.317575 -0.494642 -0.19072 -0.494642 -0.184056 -0.258875 -0.440512 -1.546556 1.100495 -0.242979 -0.494642 0.127547 -0.494642 -0.494642 1.939259 1.56175 -3.585365 -4.075837 -2.666104 0.359429 -0.494642 -0.828157 1.783798 -0.257004 -0.064881 0.090659 0.609221 -1.300483 0.651091 -0.032005 -0.398441 1.123136 -0.859998 -0.068719 -0.625615 -0.064926 0.846858 1.717211 1.645726 0.754096
0.096584 0.270876 1.393179 -0.238455 1.642419 0.317086 0.001305 -0.478702 0.075169 -0.472857 -0.131891 -0.337018 1.944583 0.701737 -0.068495 -0.140379 -0.238455 -0.337018 0.71491 -0.034854 -0.058016 -0.421246 -0.406066 0.118932 -0.232526 -0.720441 0.144968 -0.238455 1.128578 1.113958 1.512028 -0.238455 1.583425 0.96857 -4.008551 -4.773636 -2.593925 1.14309 -0.238455 -0.488669 1.84602 -0.797004 0.510014 -0.435581 0.23983 -2.040048 0.598331 0.022901 -0.704977 0.187564 -0.238455 -0.451917 -0.905136 -0.238455 0.720398 0.678135 1.944583 0.262177
99
0.122951 -1.298262 0.301605 -0.079004 0.768757 0.351944 1.952436 0.079961 -2.956503 1.72966 -1.084028 0.179921 0.724635 -0.445064 -0.079004 -1.745007 1.119434 0.286433 0.158531 0.160231 0.158531 0.947411 -1.441547 -0.414922 1.34221 0.337185 0.345727 0.158531 1.119434 -2.138674 -2.152654 0.308446 -0.912005 0.275075 -3.366474 -1.694254 -1.06022 -0.079004 -0.079004 -0.445064 1.952436 -0.071086 -0.301779 -0.449994 1.581445 -0.502034 1.184946 0.947411 -0.307997 0.947411 -1.391208 -0.687529 0.114409 0.158531 0.890441 1.952436 0.810968 1.952436
-0.341563 0.299643 1.999401 -0.229541 -0.02096 -2.041321 0.988204 0.334304 -0.682284 -0.676893 0.779623 -0.836271 1.678798 -0.02096 0.45902 -0.02096 -0.02096 1.999401 -0.341563 0.634973 -0.02096 -0.02096 -3.581702 -1.22601 0.508224 -2.041321 -0.02096 -0.564872 -0.02096 -0.905408 -0.02096 -0.02096 1.999401 -0.676893 -0.356291 -0.550144 -3.77035 1.66407 -0.02096 -1.70599 1.134886 -0.02096 0.299643 0.299643 0.299643 -0.02096 -2.425855 0.299643 -0.550144 1.18409 -0.02096 1.358195 -0.02096 -0.02096 -0.356291 -0.02096 1.999401 -0.341563
Outer Weights Karakteristik Lingkungan Kerja X1.1 X1.10 X1.11 X1.12 X1.13 X1.2 X1.3 X1.4 X1.5 X1.7 X1.8 X1.9 X2.1 0.117794 X2.11 0.105467 X2.12 0.085744 X2.13 0.075494 X2.14 0.104066 X2.15 0.112968 X2.16 0.11234 X2.2 0.09161 X2.3 0.116008 X2.4 0.092454 X2.5 0.084261 X2.6 0.07279 X2.7 0.115789 X2.8 0.046402 X2.9 0.090047 X3.1 X3.2 X3.3 X3.4 X3.5 Y1.1 Y1.10 Y1.11 Y1.12 Y1.13 Y1.2 Y1.3 Y1.4 Y1.5 Y1.7 Y1.8 Y1.9 Y2.1 Y2.2 Y2.4 Y2.6 Y2.7 Y2.8
Kinerja
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
0.115536 0.125243 0.111419 0.079104 0.131964 0.095702 0.079464 0.142543 0.108508 0.127396 0.12369 0.14166
0.342784 0.206055 0.258478 0.227704 0.211793
0.159773 0.128618 0.118469 0.114198 0.130327 0.152163 0.085471 0.125831 0.122779 0.125981 0.138263 0.077749
0.443205 0.181784 0.27919 0.2373 0.182457 0.195647
100
Lampiran 4. Output SmartPLS dengan Skema Sentroid (Centroid) Overview Karakteristik Lingkungan Kerja Kinerja Motivasi Berprestasi Remunerasi Transfer Pelatihan
AVE
Composite Reliability
0.479318 0.445133
0.931539 0.904764
0.509623 0.423464
0.924124 0.814616
0.634639
0.896366
Latent Variable Correlations Karakteristik Lingkungan Kinerja Kerja Karakteristik Lingkungan Kerja 1 Kinerja 0.725353 1 Motivasi Berprestasi 0.815559 0.810079 Remunerasi 0.432048 0.393316 Transfer Pelatihan 0.396377 0.421226 Total Effects
Karakteristik Lingkungan Kerja Kinerja Motivasi Berprestasi Remunerasi Transfer Pelatihan
Karakteristik Lingkungan Kerja
Kinerja
Cronbachs Alpha
Communality
Redundancy
0.674761
0.92083 0.884865
0.479318 0.445133
0.100075
0.154698
0.908822 0.74695
0.509623 0.423464
0.053006
0.856383
0.634639
R Square
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
1 0.386575
1
0.42072
0.192307
1
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
0.179479
0.070592 0.393316
0.627484
0.2468
0.08609
0.033861
101
Cross Loadings Karakteristik Lingkungan Kerja X1.1 0.496195 X1.10 0.713256 X1.11 0.562601 X1.12 0.421882 X1.13 0.641427 X1.2 0.477576 X1.3 0.490971 X1.4 0.76027 X1.5 0.501255 X1.7 0.591776 X1.8 0.535034 X1.9 0.699076 X2.1 0.8145 X2.11 0.745974 X2.12 0.605899 X2.13 0.587164 X2.14 0.756968 X2.15 0.820764 X2.16 0.73902 X2.2 0.694028 X2.3 0.722821 X2.4 0.635242 X2.5 0.629011 X2.6 0.637718 X2.7 0.708646 X2.8 0.506563 X2.9 0.704552 X3.1 0.439259 X3.2 0.245423 X3.3 0.212808 X3.4 0.340274 X3.5 0.295782 Y1.1 0.709856 Y1.10 0.385727 Y1.11 0.337512 Y1.12 0.394616 Y1.13 0.479793 Y1.2 0.60204 Y1.3 0.369768 Y1.4 0.485607 Y1.5 0.46649 Y1.7 0.567902 Y1.8 0.562588 Y1.9 0.269698 Y2.1 0.384761 Y2.2 0.215647 Y2.4 0.243443 Y2.6 0.209142 Y2.7 0.278524 Y2.8 0.275741
Kinerja 0.569809 0.618524 0.551176 0.389343 0.650266 0.470889 0.393072 0.703911 0.534103 0.623963 0.608214 0.701942 0.60675 0.541537 0.43986 0.39056 0.535182 0.583153 0.579591 0.472418 0.597801 0.478727 0.436415 0.374933 0.59617 0.24183 0.463726 0.446124 0.268223 0.335456 0.296955 0.277433 0.771142 0.64103 0.627957 0.612811 0.687163 0.780519 0.548492 0.666764 0.727974 0.629805 0.728053 0.531668 0.400093 0.163196 0.252193 0.215649 0.166365 0.176222
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
0.600472 0.796568 0.709538 0.56807 0.813317 0.562869 0.555168 0.877867 0.652896 0.773485 0.74141 0.814146 0.668979 0.632909 0.49368 0.552947 0.579298 0.626183 0.614071 0.5547 0.675955 0.513907 0.485631 0.505666 0.598113 0.310513 0.5313 0.394856 0.270416 0.379018 0.310376 0.288339 0.615043 0.55924 0.485243 0.531349 0.510452 0.658661 0.377301 0.546763 0.576193 0.585227 0.637682 0.284924 0.381155 0.129776 0.201077 0.189399 0.23087 0.259969
0.13997 0.235472 0.168633 0.235291 0.289956 0.319651 0.291396 0.338414 0.355834 0.336244 0.327295 0.292738 0.338775 0.348261 0.244142 0.231597 0.276656 0.317229 0.177949 0.211398 0.26809 0.532806 0.298284 0.370413 0.322675 0.30914 0.318818 0.176846 0.23971 0.173916 0.127168 0.04032 0.406951 0.314906 0.330256 0.185359 0.359351 0.314441 0.137637 0.273602 0.197502 0.138382 0.190999 0.238955 0.687684 0.597702 0.690693 0.621388 0.631527 0.669793
0.17324 0.473397 0.439397 0.368784 0.262367 0.190402 0.455995 0.460432 0.217626 0.17412 0.156916 0.303919 0.289391 0.290516 0.163125 0.393059 0.203204 0.297892 0.412987 0.138374 0.216784 0.375044 0.276382 0.37748 0.233363 0.234029 0.282764 0.867368 0.83022 0.798435 0.753682 0.725306 0.362493 0.234646 0.294547 0.285502 0.300335 0.279387 0.223968 0.173512 0.185306 0.364345 0.372088 0.249038 0.060564 0.040089 0.167635 0.192906 0.278727 0.07274
102
Outer Model (Weights or Loadings) Karakteristik Motivasi Lingkungan Kinerja Berprestasi Kerja X1.1 0.600472 X1.10 0.796568 X1.11 0.709538 X1.12 0.56807 X1.13 0.813317 X1.2 0.562869 X1.3 0.555168 X1.4 0.877867 X1.5 0.652896 X1.7 0.773485 X1.8 0.74141 X1.9 0.814146 X2.1 0.8145 X2.11 0.745974 X2.12 0.605899 X2.13 0.587164 X2.14 0.756968 X2.15 0.820764 X2.16 0.73902 X2.2 0.694028 X2.3 0.722821 X2.4 0.635242 X2.5 0.629011 X2.6 0.637718 X2.7 0.708646 X2.8 0.506563 X2.9 0.704552 X3.1 X3.2 X3.3 X3.4 X3.5 Y1.1 0.771142 Y1.10 0.64103 Y1.11 0.627957 Y1.12 0.612811 Y1.13 0.687163 Y1.2 0.780519 Y1.3 0.548492 Y1.4 0.666764 Y1.5 0.727974 Y1.7 0.629805 Y1.8 0.728053 Y1.9 0.531668 Y2.1 Y2.2 Y2.4 Y2.6 Y2.7 Y2.8
103
Remunerasi
Transfer Pelatihan
0.867368 0.83022 0.798435 0.753682 0.725306
0.687684 0.597702 0.690693 0.621388 0.631527 0.669793
Path Coefficients Karakteristik Lingkungan Kerja Karakteristik Lingkungan Kerja Kinerja Motivasi Berprestasi Remunerasi Transfer Pelatihan
Kinerja
Motivasi Berprestasi
0.179479
Remunerasi
0.393316
0.627484 0.08609
Latent Variable Scores Karakteristik Lingkungan Kerja 1.890724 -0.070374 -0.329898 0.908069 0.386404 0.386404 0.034903 0.947307 0.003308 -0.362906 0.090892 -0.932211 -0.350357 -0.06036 -0.059621 -1.090533 -1.090533 0.090892 -0.075689 -0.004371 -0.019699 -0.143201 -0.549689 -0.10853 -0.120002 0.422685 0.998343 -0.098895 0.151528 0.217256 0.090892 0.090892 0.38032 1.419278 -0.153948 -0.533346 0.313483 -0.631224 0.879533 -0.344337 0.949364
Kinerja 1.944399 0.183662 -0.01457 1.253085 0.756927 0.756927 -0.488693 -0.176305 -0.26771 0.047121 -0.488693 -0.488693 1.002868 -0.488693 -0.794589 -0.593539 -0.826498 0.311084 -0.488693 -0.209325 -0.488693 -0.251711 0.70042 1.628939 -0.017734 0.381044 -0.037022 -0.705618 -0.488693 0.115331 -0.488693 -0.840999 -0.620565 1.506491 -0.075558 0.520714 0.960642 -0.184569 0.065193 -0.430156 1.561532
Motivasi Berprestasi
Remunerasi
1.762432 0.052157 -0.180588 0.052037 0.186275 0.186275 -0.237747 -0.485346 -0.60425 -0.032768 -0.237747 -0.237747 1.307422 -0.336621 -0.237747 -1.048681 -1.266134 0.095342 -0.26131 -0.237747 -0.023237 -0.345373 0.053663 -0.5003 -0.237747 0.494958 0.893802 -0.931421 -0.42785 -0.336621 -0.336621 -0.42785 -0.336621 1.634619 1.210136 -0.115371 0.543801 0.183104 0.598837 -0.030131 0.938038
0.752724 1.342627 -0.48624 -0.922305 0.204496 0.204496 0.150879 -0.265007 0.337984 0.088214 -0.077902 -0.077902 0.115251 -0.722923 -0.452112 -0.077902 -0.077902 -0.641579 -0.440524 0.53149 -0.077902 -0.854911 0.981505 -0.085803 -0.48624 0.414599 1.405292 -0.818421 -0.813234 -0.077902 -0.50169 -1.693438 1.157022 0.166328 -0.077902 -1.103534 1.405292 0.574666 -0.668159 -0.230879 1.511053
104
Transfer Pelatihan 1.327916 -0.020822 -0.214065 -0.034139 -0.020822 -0.020822 -0.020822 -0.499072 -0.020822 -0.020822 -0.020822 -0.020822 0.986184 0.334227 -0.020822 -0.678998 -0.678998 -0.020822 -0.356568 -0.020822 0.457428 0.334227 -0.020822 -0.020822 -0.020822 -0.020822 0.779858 -2.041053 -0.020822 1.99941 -0.020822 -0.356568 -0.020822 1.99941 1.134907 1.134907 -0.020822 -0.144023 0.301608 -0.692315 -0.020822
Transfer Pelatihan
-0.069257 0.034903 -0.014385 1.62693 0.217256 1.356214 -0.616905 1.284099 0.280912 0.479151 -0.520154 -1.837927 0.318323 0.536218 1.512975 -0.03179 0.548309 0.090892 -0.183042 0.211302 0.312434 0.415742 0.090892 -0.77656 -0.849948 -0.052874 0.153132 -0.394426 -0.310186 1.080167 -0.443077 0.438877 -0.263035 1.481457 0.01241 -4.379559 -4.722202 -3.024573 0.59584 0.090892 0.696745 0.787399 -1.445299 0.415771 -0.756023 0.666621 -1.776618 -0.190249 0.114006 -0.392548 0.626 -0.558389 -0.354269 -0.053395 0.095539 0.978213 1.039241 1.863305 0.04177
-0.492422 -0.036692 -0.036692 -0.360905 -0.538998 1.944399 -0.488693 0.16315 -0.502457 1.144745 -0.940994 -0.317648 -0.488693 1.745042 1.115751 -0.326181 0.540126 -0.488693 0.868821 0.29295 -0.488693 -0.183501 -0.488693 -0.226864 -0.268339 -0.420658 -1.55425 1.097721 -0.250693 -0.488693 0.09816 -0.488693 -0.488693 1.944399 1.556705 -3.596711 -4.081826 -2.66705 0.349006 -0.488693 -0.834016 1.791451 -0.255735 -0.093895 0.114172 0.574402 -1.287842 0.638273 -0.037321 -0.40364 1.136993 -0.872189 -0.090091 -0.608193 -0.058318 0.807361 1.709652 1.642527 0.726191
0.097136 0.097136 0.271322 1.394098 -0.237747 1.6421 0.316462 0.001243 -0.478764 0.074678 -0.474171 -0.133308 -0.336621 1.94489 0.703954 -0.068088 -0.1409 -0.237747 -0.336621 0.712353 -0.033831 -0.059192 -0.420205 -0.406314 0.120495 -0.231767 -0.72079 0.146422 -0.237747 1.128142 1.113769 1.512678 -0.237747 1.583462 0.967325 -4.00934 -4.772431 -2.598681 1.141368 -0.237747 -0.487516 1.846016 -0.797303 0.50877 -0.435496 0.238402 -2.039251 0.596469 0.023141 -0.706619 0.186275 -0.237747 -0.452256 -0.904876 -0.237747 0.719749 0.676564 1.94489 0.259938
0.123152 0.123152 -1.298877 0.302356 -0.077902 0.768173 0.353433 1.95352 0.080666 -2.956899 1.732286 -1.084045 0.177916 0.726144 -0.446926 -0.077902 -1.739154 1.122894 0.292268 0.15878 0.157281 0.15878 0.947377 -1.446667 -0.417174 1.344127 0.337984 0.344386 0.15878 1.122894 -2.136361 -2.148639 0.310257 -0.908528 0.273819 -3.363737 -1.693438 -1.061505 -0.077902 -0.077902 -0.446926 1.95352 -0.070354 -0.299135 -0.452112 1.57931 -0.50169 1.184059 0.947377 -0.308183 0.947377 -1.39559 -0.688795 0.116751 0.15878 0.892613 1.95352 0.807488 1.95352
105
-0.343251 -0.343251 0.301608 1.99941 -0.227148 -0.020822 -2.041053 0.986184 0.334227 -0.680414 -0.678998 0.779858 -0.834818 1.67698 -0.020822 0.457428 -0.020822 -0.020822 1.99941 -0.343251 0.637355 -0.020822 -0.020822 -3.583034 -1.227056 0.507934 -2.041053 -0.020822 -0.562895 -0.020822 -0.904627 -0.020822 -0.020822 1.99941 -0.678998 -0.356568 -0.549578 -3.770058 1.663663 -0.020822 -1.705306 1.134907 -0.020822 0.301608 0.301608 0.301608 -0.020822 -2.427306 0.301608 -0.549578 1.185413 -0.020822 1.35455 -0.020822 -0.020822 -0.356568 -0.020822 1.99941 -0.343251
Outer Weights Karakteristik Lingkungan Kerja X1.1 X1.10 X1.11 X1.12 X1.13 X1.2 X1.3 X1.4 X1.5 X1.7 X1.8 X1.9 X2.1 0.117691 X2.11 0.105041 X2.12 0.085319 X2.13 0.075756 X2.14 0.103809 X2.15 0.113114 X2.16 0.112422 X2.2 0.091634 X2.3 0.115955 X2.4 0.092858 X2.5 0.084651 X2.6 0.072725 X2.7 0.115638 X2.8 0.046907 X2.9 0.089948 X3.1 X3.2 X3.3 X3.4 X3.5 Y1.1 Y1.10 Y1.11 Y1.12 Y1.13 Y1.2 Y1.3 Y1.4 Y1.5 Y1.7 Y1.8 Y1.9 Y2.1 Y2.2 Y2.4 Y2.6 Y2.7 Y2.8
Kinerja
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
0.115558 0.125437 0.111779 0.078959 0.131874 0.095497 0.079715 0.142754 0.108316 0.12654 0.123346 0.142354
0.342511 0.205928 0.257545 0.227987 0.212998
0.168455 0.120209 0.116432 0.112352 0.13271 0.149166 0.089175 0.119 0.114657 0.133186 0.141833 0.083861
0.442598 0.180533 0.278985 0.238559 0.184039 0.194943
106
Lampiran 5. Output SmartPLS dengan Skema Faktor (Factor) Overview Karakteristik Lingkungan Kerja Kinerja Motivasi Berprestasi Remunerasi Transfer Pelatihan
AVE
Composite Reliability
0.479301 0.445059
0.931533 0.904698
0.509623 0.423273
0.924124 0.814501
0.634574
0.896338
Latent Variable Correlations Karakteristik Lingkungan Kinerja Kerja Karakteristik Lingkungan Kerja 1 Kinerja 0.726513 1 Motivasi Berprestasi 0.815644 0.811544 Remunerasi 0.431907 0.390875 Transfer Pelatihan 0.396431 0.420453 Total Effects
Karakteristik Lingkungan Kerja Kinerja Motivasi Berprestasi Remunerasi Transfer Pelatihan
Karakteristik Lingkungan Kerja
Kinerja
Cronbachs Alpha
Communality
Redundancy
0.676854
0.92083 0.884865
0.479301 0.445059
0.100157
0.152784
0.908822 0.74695
0.509623 0.423273
0.052297
0.856383
0.634574
R Square
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
1 0.386619
1
0.420821
0.191898
1
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
0.179541
0.070178 0.390875
0.629617
0.246102
0.084321
0.032959
107
Cross Loadings Karakteristik Lingkungan Kerja X1.1 0.496179 X1.10 0.713315 X1.11 0.562714 X1.12 0.421818 X1.13 0.641497 X1.2 0.477688 X1.3 0.491038 X1.4 0.760336 X1.5 0.501241 X1.7 0.591881 X1.8 0.535071 X1.9 0.699235 X2.1 0.81469 X2.11 0.74582 X2.12 0.605738 X2.13 0.587335 X2.14 0.756816 X2.15 0.820721 X2.16 0.739232 X2.2 0.694254 X2.3 0.723098 X2.4 0.634737 X2.5 0.628977 X2.6 0.637564 X2.7 0.708843 X2.8 0.50624 X2.9 0.704458 X3.1 0.439319 X3.2 0.245191 X3.3 0.21271 X3.4 0.340264 X3.5 0.295693 Y1.1 0.709923 Y1.10 0.385672 Y1.11 0.3374 Y1.12 0.394772 Y1.13 0.479654 Y1.2 0.602224 Y1.3 0.369867 Y1.4 0.485642 Y1.5 0.466637 Y1.7 0.568036 Y1.8 0.562768 Y1.9 0.26943 Y2.1 0.384701 Y2.2 0.215471 Y2.4 0.243225 Y2.6 0.209017 Y2.7 0.278316 Y2.8 0.275606
Kinerja 0.569548 0.619378 0.55202 0.389033 0.651943 0.472388 0.394225 0.705056 0.535299 0.626692 0.608806 0.703067 0.609302 0.541449 0.440241 0.392278 0.53462 0.58339 0.580781 0.473824 0.599998 0.476062 0.437323 0.3755 0.598741 0.240885 0.463979 0.446427 0.266048 0.335179 0.295352 0.27651 0.771091 0.638301 0.623727 0.614369 0.681746 0.782694 0.549898 0.668876 0.731689 0.633136 0.729814 0.525535 0.398162 0.163886 0.249848 0.213622 0.164514 0.174314
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
0.600354 0.796508 0.709481 0.567919 0.813335 0.562964 0.555213 0.877846 0.652999 0.77363 0.741429 0.814116 0.668994 0.632891 0.493656 0.552955 0.579296 0.626203 0.614072 0.554689 0.675989 0.513839 0.485662 0.505653 0.598106 0.310516 0.531301 0.39485 0.270363 0.378973 0.310332 0.28827 0.614988 0.559245 0.485188 0.531342 0.510436 0.658681 0.377268 0.546811 0.576209 0.585227 0.637723 0.284844 0.381167 0.129866 0.201124 0.18945 0.230901 0.260003
0.139911 0.235273 0.168588 0.235146 0.290025 0.319672 0.291447 0.338492 0.355749 0.336298 0.327307 0.292787 0.338735 0.348431 0.24429 0.231681 0.276594 0.317476 0.178214 0.211391 0.267989 0.532728 0.29826 0.370185 0.322896 0.309114 0.318839 0.176612 0.239314 0.173628 0.12688 0.040021 0.407132 0.315117 0.330157 0.185254 0.359229 0.314741 0.137776 0.27376 0.197706 0.138422 0.191295 0.238612 0.688649 0.599142 0.69026 0.620611 0.630405 0.668882
0.173365 0.473528 0.439419 0.368663 0.262504 0.190565 0.456052 0.460583 0.217761 0.174276 0.156977 0.30409 0.289577 0.290575 0.163331 0.393187 0.203283 0.297917 0.4132 0.138341 0.217003 0.374875 0.276458 0.377527 0.233472 0.233872 0.282935 0.867723 0.829855 0.798604 0.753448 0.725131 0.362679 0.234687 0.294587 0.28581 0.300255 0.27959 0.224163 0.17354 0.185527 0.364548 0.372371 0.248946 0.060634 0.040038 0.167612 0.192894 0.278601 0.072571
108
Outer Model (Weights or Loadings) Karakteristik Motivasi Lingkungan Kinerja Berprestasi Kerja X1.1 0.600354 X1.10 0.796508 X1.11 0.709481 X1.12 0.567919 X1.13 0.813335 X1.2 0.562964 X1.3 0.555213 X1.4 0.877846 X1.5 0.652999 X1.7 0.77363 X1.8 0.741429 X1.9 0.814116 X2.1 0.81469 X2.11 0.74582 X2.12 0.605738 X2.13 0.587335 X2.14 0.756816 X2.15 0.820721 X2.16 0.739232 X2.2 0.694254 X2.3 0.723098 X2.4 0.634737 X2.5 0.628977 X2.6 0.637564 X2.7 0.708843 X2.8 0.50624 X2.9 0.704458 X3.1 X3.2 X3.3 X3.4 X3.5 Y1.1 0.771091 Y1.10 0.638301 Y1.11 0.623727 Y1.12 0.614369 Y1.13 0.681746 Y1.2 0.782694 Y1.3 0.549898 Y1.4 0.668876 Y1.5 0.731689 Y1.7 0.633136 Y1.8 0.729814 Y1.9 0.525535 Y2.1 Y2.2 Y2.4 Y2.6 Y2.7 Y2.8
109
Remunerasi
Transfer Pelatihan
0.867723 0.829855 0.798604 0.753448 0.725131
0.688649 0.599142 0.69026 0.620611 0.630405 0.668882
Path Coefficients Karakteristik Lingkungan Kerja Karakteristik Lingkungan Kerja Kinerja Motivasi Berprestasi Remunerasi Transfer Pelatihan
Kinerja
Motivasi Berprestasi
0.179541
Remunerasi
0.390875
0.629617 0.084321
Latent Variable Scores Karakteristik Lingkungan Kerja 1.889972 -0.070032 -0.330567 0.909463 0.386027 0.386027 0.035154 0.94682 0.002891 -0.363362 0.090847 -0.932147 -0.349883 -0.060394 -0.059763 -1.091568 -1.091568 0.090847 -0.075513 -0.0047 -0.019819 -0.142497 -0.549408 -0.10887 -0.119371 0.422888 0.99823 -0.099617 0.151635 0.216332 0.090847 0.090847 0.380757 1.418481 -0.153727 -0.532882 0.314364 -0.632109 0.87904 -0.341795 0.94823
Kinerja 1.942927 0.171991 -0.021503 1.244839 0.755396 0.755396 -0.486833 -0.185581 -0.269883 0.050452 -0.486833 -0.486833 1.000353 -0.486833 -0.795933 -0.595351 -0.831466 0.305524 -0.486833 -0.214893 -0.486833 -0.234515 0.693891 1.624107 -0.007208 0.389825 -0.025446 -0.707594 -0.486833 0.110604 -0.486833 -0.831758 -0.618635 1.505217 -0.047624 0.516397 0.961471 -0.207193 0.057565 -0.373785 1.560193
Motivasi Berprestasi 1.7628 0.052107 -0.180839 0.050954 0.186593 0.186593 -0.237761 -0.485161 -0.603928 -0.032262 -0.237761 -0.237761 1.30764 -0.336744 -0.237761 -1.048879 -1.265836 0.094673 -0.261886 -0.237761 -0.023301 -0.345323 0.053455 -0.500643 -0.237761 0.494539 0.894333 -0.931698 -0.427733 -0.336744 -0.336744 -0.427733 -0.336744 1.634934 1.210555 -0.115817 0.543256 0.183079 0.598371 -0.029694 0.938503
Remunerasi 0.756371 1.345159 -0.488031 -0.925993 0.209845 0.209845 0.150567 -0.264315 0.336877 0.088726 -0.078005 -0.078005 0.115455 -0.723778 -0.450625 -0.078005 -0.078005 -0.636563 -0.435928 0.532655 -0.078005 -0.853104 0.984943 -0.08518 -0.488031 0.413044 1.407 -0.81607 -0.810841 -0.078005 -0.500063 -1.694654 1.156556 0.162599 -0.078005 -1.105866 1.407 0.572624 -0.669111 -0.22691 1.506095
110
Transfer Pelatihan 1.329432 -0.020904 -0.211453 -0.033517 -0.020904 -0.020904 -0.020904 -0.500097 -0.020904 -0.020904 -0.020904 -0.020904 0.988887 0.332253 -0.020904 -0.678034 -0.678034 -0.020904 -0.355775 -0.020904 0.458289 0.332253 -0.020904 -0.020904 -0.020904 -0.020904 0.780547 -2.040982 -0.020904 1.999174 -0.020904 -0.355775 -0.020904 1.999174 1.133705 1.133705 -0.020904 -0.14694 0.301354 -0.690646 -0.020904
Transfer Pelatihan
-0.069016 0.035154 -0.014339 1.626344 0.216332 1.355309 -0.616698 1.283808 0.279601 0.483026 -0.518557 -1.83772 0.318178 0.537092 1.513384 -0.032027 0.5493 0.090847 -0.183268 0.21104 0.31311 0.416359 0.090847 -0.775779 -0.846461 -0.054144 0.152486 -0.394251 -0.310619 1.081565 -0.442565 0.439785 -0.263674 1.481314 0.012284 -4.379128 -4.724107 -3.024873 0.595383 0.090847 0.696589 0.787804 -1.444292 0.415081 -0.756529 0.665876 -1.775823 -0.192563 0.11323 -0.392766 0.626485 -0.558496 -0.354723 -0.053926 0.095942 0.977993 1.039165 1.862645 0.042029
-0.504047 -0.046472 -0.046472 -0.364676 -0.564271 1.942927 -0.486833 0.180753 -0.510508 1.17233 -0.946705 -0.323516 -0.486833 1.752552 1.1059 -0.322562 0.556393 -0.486833 0.847366 0.29587 -0.486833 -0.174363 -0.486833 -0.208981 -0.268369 -0.424433 -1.554365 1.087293 -0.243323 -0.486833 0.122495 -0.486833 -0.486833 1.942927 1.547752 -3.586607 -4.112693 -2.667079 0.34545 -0.486833 -0.811659 1.788377 -0.250718 -0.091328 0.104579 0.571308 -1.280703 0.620696 -0.044958 -0.397873 1.138914 -0.868053 -0.084617 -0.632695 -0.073047 0.807423 1.702302 1.65003 0.719834
0.096879 0.096879 0.27072 1.394194 -0.237761 1.641973 0.316805 0.000996 -0.478843 0.075627 -0.473879 -0.133411 -0.336744 1.944778 0.703478 -0.068033 -0.141103 -0.237761 -0.336744 0.71276 -0.033938 -0.058335 -0.419739 -0.405933 0.120697 -0.231932 -0.720932 0.146427 -0.237761 1.128475 1.113357 1.512168 -0.237761 1.582913 0.967267 -4.008758 -4.773447 -2.597817 1.141534 -0.237761 -0.487423 1.845795 -0.797279 0.50839 -0.435727 0.239017 -2.039444 0.596091 0.022956 -0.706552 0.186593 -0.237761 -0.452221 -0.904472 -0.237761 0.719562 0.676995 1.944778 0.260817
0.12263 0.12263 -1.298241 0.301765 -0.078005 0.768402 0.348909 1.953526 0.083869 -2.953651 1.729811 -1.083994 0.177297 0.723822 -0.445396 -0.078005 -1.746758 1.11915 0.284774 0.157742 0.160036 0.157742 0.947538 -1.441916 -0.416721 1.342865 0.336877 0.346345 0.157742 1.11915 -2.136266 -2.152172 0.30894 -0.912382 0.277329 -3.36597 -1.694654 -1.061286 -0.078005 -0.078005 -0.445396 1.953526 -0.073148 -0.301721 -0.450625 1.580906 -0.500063 1.183285 0.947538 -0.304284 0.947538 -1.394772 -0.686372 0.113162 0.157742 0.892871 1.953526 0.811037 1.953526
111
-0.343162 -0.343162 0.301354 1.999174 -0.229244 -0.020904 -2.040982 0.988887 0.332253 -0.675814 -0.678034 0.780547 -0.834969 1.676916 -0.020904 0.458289 -0.020904 -0.020904 1.999174 -0.343162 0.636225 -0.020904 -0.020904 -3.581867 -1.226918 0.509694 -2.040982 -0.020904 -0.564115 -0.020904 -0.90466 -0.020904 -0.020904 1.999174 -0.678034 -0.355775 -0.551502 -3.771921 1.664303 -0.020904 -1.706111 1.133705 -0.020904 0.301354 0.301354 0.301354 -0.020904 -2.427258 0.301354 -0.551502 1.185109 -0.020904 1.354657 -0.020904 -0.020904 -0.355775 -0.020904 1.999174 -0.343162
Outer Weights Karakteristik Lingkungan Kerja X1.1 X1.10 X1.11 X1.12 X1.13 X1.2 X1.3 X1.4 X1.5 X1.7 X1.8 X1.9 X2.1 0.11802 X2.11 0.104877 X2.12 0.085274 X2.13 0.075983 X2.14 0.103554 X2.15 0.113001 X2.16 0.112496 X2.2 0.091778 X2.3 0.116218 X2.4 0.092212 X2.5 0.084708 X2.6 0.072733 X2.7 0.115975 X2.8 0.046659 X2.9 0.089871 X3.1 X3.2 X3.3 X3.4 X3.5 Y1.1 Y1.10 Y1.11 Y1.12 Y1.13 Y1.2 Y1.3 Y1.4 Y1.5 Y1.7 Y1.8 Y1.9 Y2.1 Y2.2 Y2.4 Y2.6 Y2.7 Y2.8
Kinerja
Motivasi Berprestasi
Remunerasi
Transfer Pelatihan
0.115293 0.12538 0.111745 0.078752 0.131972 0.095625 0.079803 0.142724 0.10836 0.126861 0.12324 0.142321
0.343704 0.204831 0.258055 0.227391 0.212885
0.165382 0.119178 0.111185 0.11353 0.128339 0.151189 0.090139 0.121754 0.119929 0.136521 0.144342 0.077904
0.443522 0.182556 0.278312 0.237959 0.183257 0.194173
112
DAFTAR PUSTAKA Afifah, I. N. 2014. Analisis Structural Equation Modelling (SEM) dengan Finite Mixture Partial Least Square (FIMIX-PLS). Program Magister Jurusan Statistika FMIPA, Institut Teknologi Sepuluh November, Surabaya. Agusta, L. dan Sutanto, E.M. 2013. Pengaruh Pelatihan Dan Motivasi Kerja Terhadap Kinerja Karyawan CV Haragon Surabaya. AGORA Vol. 1 No. 3 (2013). Program Manajemen Bisnis, Universitas Kristen Petra, Surabaya. Aji, M.Q. 2014. Dampak Reformasi Birokrasi dan Budaya Organisasi Terhadap Kinerja Organisasi pada Sekretariat Jenderal Kementerian Pendidikan dan Kebudayaan. UNPAS Alfiandri. 2010. Pengaruh Gaya Kepemimpinan dan Motivasi Berprestasi Terhadap Kinerja Pegawai Dinas Kebudayaan dan Pariwisata Kota Pekanbaru. Program Magister Jurusan Ilmu Administrasi Universitas Riau, Pekanbaru. Almustofa, R. 2014. Pengaruh Lingkungan Kerja, Motivasi, dan Disiplin Kerja Terhadap Kinerja Pegawai di Perum Bulog Divisi Regional Jakarta. Program Sarjana Fakultas Ekonomika dan Bisnis Universitas Diponegoro, Semarang. Anuraga, G. 2014. Spasial Structural Equation Modeling-Partial Least Square untuk Pemodelan Kemiskinan di Jawa Timur. Program Magister Jurusan Statistika FMIPA, Institut Teknologi Sepuluh November, Surabaya. Asrul, M. 2015. Menggagas Kinerja Birokrasi Pemerintah dalam Pelayanan Publik (http://asrulpkg.blogspot.com/2015/01/menggagas-kinerjabirokrasi-pemerintah.html). Diakses pada 30 Agustus 2015, pukul 16.00 WIB. Chin, W.W. 1998. The Partial Least Squares Approach for Structural Equation Modelling. Modern Method for Business Research (pp. 295-236). London: Lawrence Erlbaum Associates. Chin, W.W. 2000. Partial Least Squares for Researcher : An Overview and Prosentation of Recent Advances Using The PLS Approach. (http://discnt.cba.uh.edu/chin/indx.html). Diakses pada 15 September 2015, pukul 19.00 WIB) Choliq, N. 2013. Pengaruh Motivasi Berprestasi, Iklim Sekolah, dan Kepuasan Kerja Terhadap Kinerja Guru SMP di Kabupaten Tegal. Darmayanti, N.P., Bagia, IW, dan Suwendra. 2014. Pengaruh Intelektual dan Motivasi Berprestasi Terhadap Kinerja Pegawai PDAM di Kabupaten Gianyar. Jurnal Bisma Universitas Pendidikan Ganesha Jurusan Manajemen (Vol. 2). Desvaliana, V.. 2012. Hubungan Remunerasi dengan Tingkat Employee Engagement di Sekretariat Jendral Badan Pemeriksa Keuangan Republik Indonesia. SKRIPSI. Program Studi Ilmu Administrasi Negara Fakultas Ilmu Sosial dan Ilmu Politik. Universitas Indonesia, Depok. 83
Dhermawan, AANB., Sudibya, dan Utama, IWM. 2012. Pengaruh Motivasi, Lingkungan Kerja, Kompetensi, dan Kompensasi Terhadap Kepuasan Kerja dan Kinerja Pegawai di Lingkungan Kantor Dinas Pekerjaan Umum Provinsi Bali. Jurnal Manajemen, Strategi Bisnis, dan Kewirausahaan Vol. 6 No. 2 Agustus 2012. Fakultas Ekonomi Universitas Udayana, Bali. Febriyanti, A.R, Utami, H.N, dan Hakam, MS. 2012. pengaruh pelatihan terhadap kompetensi dan kinerja karyawan di PT. Perkebunan Nusantara PG Lestari Nganjuk. Fakultas Ilmu Administrasi Universitas Brawijaya, Malang. Ferdinand, A. 2002. Structural Equation Modeling dalam Penelitian Manajemen (2nd Edition). Semarang: Universitas Diponegoro. Fitria, R. Idris, A., Kusuma A. R. 2014. Pengaruh Remunerasi, Motivasi, dan Kepuasan Kerja Terhadap Kinerja Pegawai di Kantor Pengadilan Tinggi Agama Samarinda. Journal Administrative Refom .Universitas Mulawarman. Fornell, C. dan Bookstein, F. 1982. Two Structural Equation Models: LISREL and PLS Applied to Consumer Exit-Voice Theory. Journal of Marketing Research.19. 440-452. Ghozali, I. dan Latan, H. 2012. Partial Least Squares, Konsep, Teknik Dan Aplikasi SmartPLS 2.0 M3 untuk Penelitian Empiris. Semarang: Badan Penerbit Universitas Diponegoro. Ghozali, I. dan Fuad, H. 2005. Structural Equation Modeling; Teori, Konsep dan Aplikasi LISREL. Universitas Diponegoro. Ghozali, I. 2011. Structural Equation Modelling Metode Alternatif dengan Partial Least Square. Semarang: Badan Penerbit Universitas Diponegoro. Guritno, B. dan Waridin. 2005. Pengaruh Persepsi Karyawan Mengenai Perilaku Kepemimpinan, Kepuasan Kerja dan Motivasi Terhadap Kinerja. JRBI. Vol 1. No 1. Hal: 63-74. Hair, J.F., Anderson, R.F., Tatham, R.L dan Black, W.C. 1995. Multivariate Data Analysis With Reading. New Jersey : Pearson Prentice Hall. Hair, J.F., Black, W.C., Babin, B.J., dan Anderson, R.E. 2010. Multivariate Data Analysis, Seventh Edition. New Jersey : Pearson Prentice Hall. Hasibuan, M.S.P. 2012. Manajemen Sumber Daya Manusia. Edisi Revisi, Jakarta: Bumi Aksara Hasymi, A. 2008. Konsep-konsep Dasar Penelitian (Bagian 5). (http://omegahat.blogspot.co.id/2008/01/konsep-konsep-dasar-penelitianbagian-5.html). Diakses pada 7 Oktober 2015, pukul 14.30 WIB. Henseler, J., Ringle, C.M., dan Sinkovics, R.R. 2009. The Use Of Partial Least Squares Path Modeling In International Marketing, Advances in International Marketing, Volume 20, 277–319. Hestisani, Hindria., Bagia, IW, dan Suwendra. 2014. Pengaruh Motivasi Berprestasi dan Disiplin Kerja Terhadap Kinerja Pegawai pada Badan
84
Kepegawaian Daerah Kabupaten Buleleng. Jurnal Bisma Universitas Pendidikan Ganesha Jurusan Manajemen (Vol. 2). Hidayat, Z. dan Taufiq, M. 2012. Pengaruh Lingkungan Kerja, Motivasi, dan Disiplin Kerja Terhadap Kinerja Pegawai di PDAM Kabupaten Lumajang. Jurusan Akuntansi STIE Widya Gama, Lumajang. Jihan, S. 2010. Pemodelan Persamaan Struktural Pada Derajat Kesehatan dengan Moderasi Infrastruktur (Studi Kasus di Jawa Timur, SUSENAS 2007). Program Sarjana Jurusan Statistika FMIPA, Institut Teknologi Sepuluh November, Surabaya. Kastanja, L.I. 2014. Structural Equation Modeling Spasial Berbasis Varian (SEM-PLS Spasial) untuk Pemodelan Status Risiko Kerawanan Pangan di Provinsi Papua dan Papua Barat. Program Magister Jurusan Statistika FMIPA, Institut Teknologi Sepuluh November, Surabaya. Kuntoro, H. 2006. Jurnal Konsep Desain Penelitian. Surabaya: Guru Besar Ilmu Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas Airlangga. Mondy, R.W. dan Noe, R.M. 1993. Human Resource Management, Fifth Edition, USA: Allyn and Bacon. Morgan, C.T. 1986. Introduction to Psychology 7th Ed. Texas: Mc. Grew-Hill Company. Nitisemitro, A.S. 2000. Manajemen Personalia: Manajemen Sumber Daya Manusia Ed. 3. Jakarta: Ghalia Indonesia. Nurdiansyah, D. 2013. Factor Analysis: Pengantar Faktor Analysis. (http://www.statsdata.my.id/2013/03/factor-analysis.html). Diakses pada 10 Oktober 2015, pukul 18.00 WIB. Otok, B.W.O, Andari, S., Utama, T.B. 2015. Pengembangan dan Penentuan Indikator Remunerasi Berdasarkan Persepsi Tenaga Kependidikan di Lingkungan ITS. LPPM-Institut Teknologi Sepuluh Nopember. Palagia, M., Brasit, N. dan Amar M. Y. 2010. Remunerasi, Motivasi, dan Kepuasan Kerja Terhadap Kinerja Pegawai pada Kantor Pajak di Kota Makassar. Universitas Hasanuddin, Makasar. Rivai, V. 2011. Manajemen Sumber Daya Manusia untuk Perusahaan; Dari Teori ke Praktik. Jakarta: Raja Grafindo Persada Rivai, V. 2005. Performance Appraisal. Jakarta: Rajagrafindo Persada. Ruky, A.S. 2006. Manajemen Penggajian dan Pengupahan untuk Karyawan Perusahaan. Jakarta: Pt. Gramedia Pustaka Utama. Santoso, S. 2011. Structural Equation Modelling (SEM) Konsep dan Aplikasi dengan Amos 18. PT Elex Media Kompetindo, Jakarta. Schumacker dan Lomax. 2004. A Beginner's Guide To Structural Equation Modeling. New Jersey: Lawrence Erlbaum Associates Inc. Sedarmayanti. 2001. Sumber Daya Manusia dan Produktivitas Kerja. Bandung: Mandar Maju
85
Setiardja, G. 1990. Dialektika Hukum dan Moral dalam Pembangunan Masyarakat Indonesia. Yogyakarta : Kanisius Sharma, S. 1996. Applied Multivariate Techniques. John Wiley & Sons. Inc. Simamora, H. 1997. Manajemen Sumber Daya Manusia. Yogyakarta: STIE YKPN. Soebagijo, T. 2011. Pengembangan Structural Equation Modelling (SEM) Dengan Partial Least Square (PLS) (Studi Kasus : Karakteristik Pengangguran di Provinsi Jawa Timur Tahun 2009). Program Magister Jurusan Statistika FMIPA, Institut Teknologi Sepuluh November, Surabaya. Sofyan, D.K. 2013. Pengaruh Lingkungan Kerja Terhadap Kinerja Pegawai BAPPEDA. Malikussaleh Industrial Engineering Journal Vol. 2 No. 1 1823 ISSN: 2302 934X. Jurusan Teknik Industri Universitas Malikussaleh, Aceh. Sopiah. 2008. Perilaku Organisasional. Yogyakarta : C.V Andi Offset. Sulastri, T. 2007. Hubungan Motivasi Berprestasi dan Disiplin dengan Kinerja Dosen. Jurnal Potimal Vol. 1 No.1. Universitas Islam Bekasi. Sulistiyani, A.T. 2003. Manajemen Sumber Daya Manusia. Yogyakarta: Graha Ilmu. Surya, M. 2004. Bunga Rampai Guru dan Pendidikan. Jakarta: Balai Pustaka. Sutrisno, E. 2010. Budaya Organisasi. Jakarta: Kencana Tenenhaus, M., Vinzi, Chatelin, dan Lauro. 2005. PLS Path-Modeling. Computational Statistics & Data Analysis 48, 159–205. Timm, N.H. 2002. Applied Multivariate Analysis. New York : Springer-Verlag. Trisnawati, N. dan Adam, H. 2014. Sistem Renumerasi Dosen Badan Layanan Umum Perguruan Tinggi. Fakultas Ekonomi dan Bisnis. Universitas Brawijaya. Trujillo, G.S. 2009. PATHMOX Approach: Segmentation Trees in Partial Least Squares Path Modeling. Universitat Politècnica de Catalunya. Umami, D.W. 2010. Analisis Indikator Pembangunan Berkelanjutan di Jawa Timur Mengunakan Structural Equation Modeling-Partial Least Square. Program Sarjana Jurusan Statistika FMIPA, Institut Teknologi Sepuluh November, Surabaya. Vinzi,V.E., Chin, W.W., Henseler. J., dan Wang, H. 2010. Handbook of Partial Least Square : Concepts, Methods, and Applications, Springer-Verlag Berlin Heidelberg. Wardono, A. 2009. Analisis Kebutuhan dan Potensi Fiskal Dengan Structural Equation Modelling. Program Magister Jurusan Statistika FMIPA, Institut Teknologi Sepuluh November, Surabaya. Wijayanto. 2008. Konsep dan Tutorial Structural Equation Modelling dengan Wold, H. 1985. Partial Least Square, Encyclopedia of Statistical Sciences. Vol 8 (pp. 587-599). New York: Wiley.
86
Yamin, S. dan Kurniawan, H. 2011. Partial Least Square Path Modelling. Buku Seri Keempat. Jakarta: Salemba Infotek. Yunanda, M.A. 2012. Pengaruh Lingkungan Kerja Terhadap Kepuasan Kerja dan Kinerja Karyawan di Perum Jasa Tirta I Malang. Zendi dan Masdupi, E. 2014. Pengaruh Kepemimpinan, Motivasi Berprestasi, dan Kepuasan Kerja Terhadap Kinerja Pegawai Badan Penanggulangan Bencana Daerah Kabupaten Tanah Datar.
87
88
BIODATA PENULIS
Penulis bernama Millatur Rodliyah dilahirkan di Gresik, 07 Desember 1990, merupakan anak kedua dari 3 bersaudara. Penulis telah menempuh pendidikan formal yaitu TK Dharma Wanita Persatuan Kabupaten Gresik, SDNU 1 Trate Gresik, SMPN 1 Gresik, SMAN 1 Gresik, Diploma III Statistika ITS, Lintas Jalur S1 di Statistika ITS, kemudian pada tahun 2014 penulis melanjutkan
program
Magister
Statistika
dengan
beasiswa Fresh Graduate dari ITS. Selama di Jurusan Statistika ini penulis pernah menjadi anggota SCC-HIMASTA ITS dan sebagai kader PPSDM FORSIS ITS. Prestasi yang pernah diperoleh penulis selama menjalani perkuliahan adalah menjadi mahasiswa peraih IPK Tertinggi di Jurusan Statistika untuk program Diploma III dan lulus dengan predikat cumlaude, selain itu penulis juga tercatat pernah menjadi Asisten Dosen pada mata kuliah Pengantar Metode Statistika (PMS) dan Pengendalian Kualitas Statistika (PKS). Pembaca yang ingin memberikan saran, kritik, serta pertanyaan untuk penulis mengenai Tesis ini dapat dikirim melalui email:
[email protected].
